python爬虫scrapy的LinkExtractor

使用背景：

　　我们通常在爬去某个网站的时候都是爬去每个标签下的某些内容，往往一个网站的主页后面会包含很多物品或者信息的详细的内容，我们只提取某个大标签下的某些内容的话，会显的效率较低，大部分网站的都是按照固定套路（也就是固定模板，把各种信息展示给用户），LinkExtrator就非常适合整站抓取，为什么呢？因为你通过xpath、css等一些列参数设置，拿到整个网站的你想要的链接，而不是固定的某个标签下的一些链接内容，非常适合整站爬取。

 import scrapy
 from scrapy.linkextractor import LinkExtractor

 class WeidsSpider(scrapy.Spider):
     name = "weids"
     allowed_domains = ["wds.modian.com"]
     start_urls = ['http://www.gaosiedu.com/gsschool/']

     def parse(self, response):
         link = LinkExtractor(restrict_xpaths='//ul[@class="cont_xiaoqu"]/li')
         links = link.extract_links(response)
         print(links)

links是一个list

我们来迭代一下这个list

         for link in links:
             print(link)

links里面包含了我们要提取的url，那我们怎么才能拿到这个url呢？

直接在for循环里面link.url就能拿到我们要的url和text信息

         for link in links:
             print(link.url,link.text)

别着急，LinkExtrator里面不止一个xpath提取方法，还有很多参数。

>allow：接收一个正则表达式或一个正则表达式列表，提取绝对url于正则表达式匹配的链接，如果该参数为空，默认全部提取。

 # -*- coding: utf-8 -*-
 import scrapy
 from scrapy.linkextractor import LinkExtractor

 class WeidsSpider(scrapy.Spider):
     name = "weids"
     allowed_domains = ["wds.modian.com"]
     start_urls = ['http://www.gaosiedu.com/gsschool/']

     def parse(self, response):
         pattern = '/gsschool/.+\.shtml'
         link = LinkExtractor(allow=pattern)
         links = link.extract_links(response)
         print(type(links))
         for link in links:
             print(link)

>deny：接收一个正则表达式或一个正则表达式列表，与allow相反，排除绝对url于正则表达式匹配的链接，换句话说，就是凡是跟正则表达式能匹配上的全部不提取。

 # -*- coding: utf-8 -*-
 import scrapy
 from scrapy.linkextractor import LinkExtractor

 class WeidsSpider(scrapy.Spider):
     name = "weids"
     allowed_domains = ["wds.modian.com"]
     start_urls = ['http://www.gaosiedu.com/gsschool/']

     def parse(self, response):
         pattern = '/gsschool/.+\.shtml'
         link = LinkExtractor(deny=pattern)
         links = link.extract_links(response)
         print(type(links))
         for link in links:
             print(link)

>allow_domains：接收一个域名或一个域名列表，提取到指定域的链接。

 # -*- coding: utf-8 -*-
 import scrapy
 from scrapy.linkextractor import LinkExtractor

 class WeidsSpider(scrapy.Spider):
     name = "weids"
     allowed_domains = ["wds.modian.com"]
     start_urls = ['http://www.gaosiedu.com/gsschool/']

     def parse(self, response):
         domain = ['gaosivip.com','gaosiedu.com']
         link = LinkExtractor(allow_domains=domain)
         links = link.extract_links(response)
         print(type(links))
         for link in links:
             print(link)

>deny_domains：和allow_doains相反，拒绝一个域名或一个域名列表，提取除被deny掉的所有匹配url。

 # -*- coding: utf-8 -*-
 import scrapy
 from scrapy.linkextractor import LinkExtractor

 class WeidsSpider(scrapy.Spider):
     name = "weids"
     allowed_domains = ["wds.modian.com"]
     start_urls = ['http://www.gaosiedu.com/gsschool/']

     def parse(self, response):
         domain = ['gaosivip.com','gaosiedu.com']
         link = LinkExtractor(deny_domains=domain)
         links = link.extract_links(response)
         print(type(links))
         for link in links:
             print(link)

>restrict_xpaths：我们在最开始做那个那个例子，接收一个xpath表达式或一个xpath表达式列表，提取xpath表达式选中区域下的链接。

>restrict_css：这参数和restrict_xpaths参数经常能用到，所以同学必须掌握，个人更喜欢xpath。

 # -*- coding: utf-8 -*-
 import scrapy
 from scrapy.linkextractor import LinkExtractor

 class WeidsSpider(scrapy.Spider):
     name = "weids"
     allowed_domains = ["wds.modian.com"]
     start_urls = ['http://www.gaosiedu.com/gsschool/']

     def parse(self, response):
         link = LinkExtractor(restrict_css='ul.cont_xiaoqu > li')
         links = link.extract_links(response)
         print(type(links))
         for link in links:
             print(link)

>tags：接收一个标签（字符串）或一个标签列表，提取指定标签内的链接，默认为tags=（‘a’，‘area’）

>attrs：接收一个属性（字符串）或者一个属性列表，提取指定的属性内的链接，默认为attrs=（‘href’，），示例，按照这个中提取方法的话，这个页面上的某些标签的属性都会被提取出来，如下例所示，这个页面的a标签的href属性值都被提取到了。

 # -*- coding: utf-8 -*-
 import scrapy
 from scrapy.linkextractor import LinkExtractor

 class WeidsSpider(scrapy.Spider):
     name = "weids"
     allowed_domains = ["wds.modian.com"]
     start_urls = ['http://www.gaosiedu.com/gsschool/']

     def parse(self, response):
         link = LinkExtractor(tags='a',attrs='href')
         links = link.extract_links(response)
         print(type(links))
         for link in links:
             print(link)

前面我们讲了这么多LinkExtractor的基本用法，上面的只是为了快速试验，真正的基本用法是结合Crawler和Rule,代码如下

 # -*- coding: utf-8 -*-
 import scrapy
 from scrapy.linkextractor import  LinkExtractor
 from scrapy.spiders.crawl import CrawlSpider,Rule

 class GaosieduSpider(CrawlSpider):
     name = "gaosiedu"
     allowed_domains = ["www.gaosiedu.com"]
     start_urls = ['http://www.gaosiedu.com/']
     restrict_xpath = '//ul[@class="schoolList clearfix"]'
     allow = '/gsschool/.+\.shtml'
     rules = {
         Rule(LinkExtractor(restrict_xpaths=restrict_xpath), callback="parse_item", follow=True)
     }

     def parse_item(self,response):
         schooll_name = response.xpath('//div[@class="area_nav"]//h3/text()').extract_first()
         print(schooll_name)

简单的说一下，上面我们本应该继承scrapy.Spider类，这里需要继承CrawlSpider类（因为CrawlSpider类也是继承了scrapy.Spider类），rules是基本写法，可不是随便哪个单词都可以的啊，而且注意rules必须是一个list或者dict，如果是tuple的话就会报错。里面的话Rule里面包含了几个参数，LinkExtractor就不在这里熬述了，看上面就行，至于其他的几个参数，可以看我们另外一篇博文：http://www.cnblogs.com/lei0213/p/7976280.html