1 Scrapy 爬蟲框架組件詳細介紹(二)
1.1 CrawlSpiders
20.1.1 爬蟲CrawlSpiders類介紹
CrawlSpiders 類它是 Spider 的派生類,Spider 類的設計原則是隻爬取 start_url 列表中的網頁,而 CrawlSpider 類定義了一些規則( rule )來提供跟進 link 的方便機制,從爬取的網頁中獲取 link,並繼續爬取工作,比Spiders 類模板爬蟲更加適合。
前面案例創建爬蟲,使用的命令如下:
scrapy genspider tencents " tencent.com "
默認使用”basic”template(模板)去創建爬蟲。
如果想創建 CrawlSpider 類爬蟲,可以通過下面的命令指定 crawl 模板可以快速創建 CrawlSpider 模板的爬蟲。
scrapy genspider -t crawl tencents " tencent.com "
【-t 】: 指定模板。
例子:
在 DOS 下切換到下面目錄。
D:\\scrapy_project\\tencent\\tencent\\spiders
執行命令:
scrapy genspider -t crawl tencents " tencent.com "
注意:命令創建的時候,爬蟲文件名不能和作業域名相同,可以創建之後再改回來。
查看生成的 tencent.py 爬蟲文件。
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class TencentSpider(CrawlSpider):
name = 'tencent'
allowed_domains = [' tencent.com ']
start_urls = ['http:// tencent.com /']
rules = (
Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
)
def parse_item(self, response):
i = {}
#i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
#i['name'] = response.xpath('//div[@id="name"]').extract()
#i['description'] = response.xpath('//div[@id="description"]').extract()
return i
從生成的 tencent.py 爬蟲文件和之前的Spider基類爬蟲文件比較,多瞭如下幾部分內容:
(一)需要導入 LinkExtractor、CrawlSpider、 Rule庫
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
(二)爬蟲類繼承的是 CrawlSpider 類
(三)增加了 rules 。
(四)增加了 LinkExtractor(allow=r'Items/')
(五)新增加了一個回調函數 parse_item(self, response)
20.1.2 CrawlSpider源碼
查看CrawlSpider源碼。
class CrawlSpider(Spider):
rules = ()
def __init__(self, *a, **kw):
super(CrawlSpider, self).__init__(*a, **kw)
self._compile_rules()
def parse(self, response):
return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)
def parse_start_url(self, response):
return []
def process_results(self, response, results):
return results
def _build_request(self, rule, link):
r = Request(url=link.url, callback=self._response_downloaded)
r.meta.update(rule=rule, link_text=link.text)
return r
def _requests_to_follow(self, response):
if not isinstance(response, HtmlResponse):
return
seen = set()
for n, rule in enumerate(self._rules):
links = [lnk for lnk in rule.link_extractor.extract_links(response)
if lnk not in seen]
if links and rule.process_links:
links = rule.process_links(links)
for link in links:
seen.add(link)
r = self._build_request(n, link)
yield rule.process_request(r)
def _response_downloaded(self, response):
rule = self._rules[response.meta['rule']]
return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)
def _parse_response(self, response, callback, cb_kwargs, follow=True):
if callback:
cb_res = callback(response, **cb_kwargs) or ()
cb_res = self.process_results(response, cb_res)
for requests_or_item in iterate_spider_output(cb_res):
yield requests_or_item
if follow and self._follow_links:
for request_or_item in self._requests_to_follow(response):
yield request_or_item
def _compile_rules(self):
def get_method(method):
if callable(method):
return method
elif isinstance(method, six.string_types):
return getattr(self, method, None)
self._rules = [copy.copy(r) for r in self.rules]
for rule in self._rules:
rule.callback = get_method(rule.callback)
rule.process_links = get_method(rule.process_links)
rule.process_request = get_method(rule.process_request)
@classmethod
def from_crawler(cls, crawler, *args, **kwargs):
spider = super(CrawlSpider, cls).from_crawler(crawler, *args, **kwargs)
spider._follow_links = crawler.settings.getbool(
'CRAWLSPIDER_FOLLOW_LINKS', True)
return spider
def set_crawler(self, crawler):
super(CrawlSpider, self).set_crawler(crawler)
self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)
CrawlSpider 繼承於 Spider 類,除了繼承過來的屬性外(name、allow_domains),還提供了新的屬性和方法。
20.1.3 LinkExtractors
【class scrapy.linkextractors.LinkExtractor】
Link Extractors 的目的很簡單: 提取鏈接。
每個LinkExtractor有唯一的公共方法是 extract_links(),它接收一個 Response 對象,並返回一個 scrapy.link.Link 對象。
Link Extractors 要實例化一次,並且 extract_links 方法會根據不同的 response 調用多次提取鏈接。
class scrapy.linkextractors.LinkExtractor(
allow = (),
deny = (),
allow_domains = (),
deny_domains = (),
deny_extensions = None,
restrict_xpaths = (),
tags = ('a','area'),
attrs = ('href'),
canonicalize = True,
unique = True,
process_value = None
)
主要參數:
【allow】:滿足括號中“正則表達式”的值會被提取,如果為空,則全部匹配。
【deny】:與這個正則表達式(或正則表達式列表)不匹配的 URL 一定不提取。
【allow_domains】:會被提取的鏈接的 domains。
【deny_domains】:一定不會被提取鏈接的 domains。
【restrict_xpaths】:使用 xpath 表達式,和 allow 共同作用過濾鏈接。
20.1.4 rules
from scrapy.spiders import Rule
查看 Rule 方法實現的源碼。
在 rules 中包含一個或多個 Rule 對象,每個 Rule 對爬取網站的動作定義了特定操作。如果多個 rule 匹配了相同的鏈接,則根據規則在本集合中被定義的順序,第一個會被使用。
class scrapy.spiders.Rule(
link_extractor,
callback = None,
cb_kwargs = None,
follow = None,
process_links = None,
process_request = None
)
主要參數:
【link_extractor】:是一個 Link Extractor 對象,用於定義需要提取的鏈接。
【callback】: 從 link_extractor 中每獲取到鏈接時,參數所指定的值作為回調函數,該回調函數接受一個 response 作為其第一個參數。
注意:當編寫爬蟲規則時,避免使用 parse 作為回調函數。由於 CrawlSpider 使用 parse方法來實現其邏輯,如果覆蓋了 parse方法,crawl spider 將會運行失敗。
【follow】:是一個布爾( Boolean )值,指定了根據該規則從 response 提取的鏈接是否需要跟進。 如果 callback 為 None,follow 默認設置為 True ,否則默認為 False。
【process_links】:指定該 spider 中哪個的函數將會被調用,從link_extractor 中獲取到鏈接列表時將會調用該函數。該方法主要用來過濾。
【process_request】:指定該 spider 中哪個的函數將會被調用, 該規則提取到每個request 時都會調用該函數。 (用來過濾 request )
20.1.5 爬取規則( Crawling rules )
為了弄清楚爬取規則( Crawling rules )的實現過程,我們以騰訊招聘為例,使用 Scrapy Shell 交互終端一步一步展現實現的過程。
第一步:進入項目的根目錄。
D:\\scrapy_project\\tencent\\tencent
執行下列命令來調用 Scrapy Shell 交互終端,發送請求。
scrapy shell "http://hr.tencent.com/position.php?&start=0"
第二步:分析騰訊招聘網站的招聘信息的分頁 URL 鏈接。
position.php?&start=20
position.php?&start=30
position.php?&start=40
position.php?&start=50
position.php?&start=60
每個鏈接組合 https://hr.tencent.com/ 就是一個完整的騰訊招聘網站的招聘信息的分頁 URL 鏈接地址。
我們要做的就是通過正則表達式把頁面裡的鏈接(position.php?&start=20
…)提取出來。
page_lx = LinkExtractor(allow=('position.php?&start=\\d+'))
第三步:獲取請求響應的內容。
【response.body】
【response.text】
通常是使用 response.text 顯示的是 Unicode 完整的字符串,便於匹配,一般情況,只是打印內容的時候,使用 response.body,需要解析請求的內容時,就使用:response.text。
第四步:導入 LinkExtractor,創建 LinkExtractor 實例對象。
from scrapy.linkextractors import LinkExtractor
page_lx = LinkExtractor(allow=('position.php?&start=\\d+'))
allow : LinkExtractor 對象最重要的參數之一,這是一個正則表達式,必須要匹配這個正則表達式(或正則表達式列表)的URL才會被提取,如果沒有給出(或為空), 它會匹配所有的鏈接。
deny : 用法同 allow,只不過與這個正則表達式匹配的 URL 不會被提取)。它的優先級高於 allow 的參數,如果沒有給出(或 None), 將不排除任何鏈接。
第五步:調用 LinkExtractor 實例的 extract_links() 方法查詢匹配結果。
沒有查到,顯示為:[]
這是由於轉義字符的問題引起,修改正則表達式內容,繼續重新匹配:
page_lx = LinkExtractor(allow=('position\\.php\\?&start=\\d+'))
page_lx.extract_links(response)
或者可以如下獲取鏈接
page_lx = LinkExtractor(allow = ('start=\\d+'))
page_lx.extract_links(response)
這樣我們就可以獲取到了所有分頁的鏈接地址了。
20.1.6 編寫Item文件
import scrapy
class TencentItem(scrapy.Item):
# define the fields for your item here like:
# 職位名
positionname = scrapy.Field()
# 詳情連接
positionlink = scrapy.Field()
# 職位類別
positionType = scrapy.Field()
# 招聘人數
peopleNum = scrapy.Field()
# 工作地點
workLocation = scrapy.Field()
# 發佈時間
publishTime = scrapy.Field()
20.1.7 編寫爬蟲文件
import scrapy,sys,os
# 導入CrawlSpider類和Rule
from scrapy.spiders import CrawlSpider, Rule
# 導入鏈接規則匹配類,用來提取符合規則的連接
from scrapy.linkextractors import LinkExtractor
path = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
sys.path.append(path)
from dg_sun.items import SunItem
class SunSpider(CrawlSpider):
name = 'sun'
allowed_domains = ['wz.sun0769.com']
start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=0']
# 投訴分頁鏈接的提取規則,返回的符合匹配規則的鏈接匹配對象的列表(這裡提取的是分頁的鏈接)
pagelink = LinkExtractor(allow=("start=\\d+"))
# 投訴詳情頁內容鏈接的提取規則,返回的符合匹配規則的鏈接匹配對象的列表
Details = LinkExtractor(allow=r'/html/question/\\d+/\\d+.shtml')
#多條 Rule
rules = (
# 提取匹配,並跟進鏈接(沒有 callback 意味著 follow 默認為 True )
Rule(pagelink),
Rule(Details, callback = 'parse_item',follow = True),
)
# 指定的回調函數
def parse_item(self, response):
item = SunItem()
#標題
item['title'] = response.xpath('//div[contains(@class, "pagecenter p3")]//strong/text()').extract()[0]
# 編號
item['id'] = item['title'].split(' ')[-1].split(":")[-1]
# 內容
item['content'] = response.xpath('//div[@class="c1 text14_2"]/text()').extract()[0]
# 鏈接
item['url'] = response.url
yield item注意:callback 千萬不能寫 parse()方法,再次強調:由於 CrawlSpider 使用 parse()方法來實現其邏輯,如果覆蓋了 parse方法,crawl spider 將會運行失敗。
20.1.8 編寫管道文件
import json
class TencentPipeline(object):
def __init__(self):
self.filename = open("tencent.json", "wb")
def process_item(self, item, spider):
text = json.dumps(dict(item), ensure_ascii = False) + ",\\n"
self.filename.write(text.encode("utf-8"))
return item
def close_spider(self, spider):
self.filename.close()
管道文件跟之前案例的寫法一樣,沒有變化。
20.1.9 修改 settings 文件
在 settings.py 文件配置裡指定剛才編寫的管道文件名:TencentPipeline。
下載的數據比較多,需要設定一個下載延時時間,以免下載的數據不全。
設置爬蟲請求的默認頭信息。
20.1.10 運行爬蟲
在 dos下切換到目錄
D:\\scrapy_project\\tencent\\tencent\\ 下
通過命令運行爬蟲 :scrapy crawl tencent
20.1.11查看爬取的結果
查看新建的 tencent.json 數據文件。
1.2 Logging 日誌
Scrapy 提供了 log 功能,可以通過 logging 模塊使用。
如果我們想把爬蟲的輸入日誌保存到本地,需要在 settings.py 文件裡進行設置。
# 保存日誌信息的文件名
LOG_FILE = "tencent_log.log"
# 保存日誌等級的設置,LOG_LEVEL(可選的級別有: CRITICAL、 ERROR、WARNING、INFO 、DEBUG )(從高到底)
LOG_LEVEL = " DEBUG "
設置完成之後,重新運行爬蟲,結果顯示如下。
【Log levels】
Scrapy 提供 5 層 logging 級別:
CRITICAL - 嚴重錯誤( critical )。
ERROR - 一般錯誤(regular errors )。
WARNING - 警告信息( warning messages )。
INFO - 一般信息( informational messages )。
DEBUG - 調試信息( debugging messages )。
【logging設置】
通過在 setting.py 中進行以下設置可以被用來配置 logging:
LOG_ENABLED 默認: True,啟用logging
LOG_ENCODING 默認: 'utf-8',logging 使用的編碼
LOG_FILE 默認: None,在當前目錄裡創建 logging 輸出文件的文件名
LOG_LEVEL 默認: 'DEBUG',log 的最低級別
LOG_STDOUT 默認: False 如果為 True,進程所有的標準輸出(及錯誤)將會被重定向到 log中。
閱讀更多 聽海8 的文章