CrawlSpider

• 作用：用於進行全站資料爬取
• CrawlSpider就是Spider的一個子類
• 如何新建一個基於CrawlSpider的爬蟲檔案
  • scrapy genspider -t crawl xxx www.xxx.com
• 例：choutiPro

LinkExtractor連線提取器：根據指定規則（正則）進行連線的提取

Rule規則解析器：將連線提取器提取到的連線進行請求傳送，然後對獲取的頁面進行指定規則【callback】的解析

一個連結提取器對應唯一一個規則解析器

例：crawlspider深度（全棧）爬取【sunlinecrawl例】

分散式（通常用不到，爬取資料量級巨大、時間少時用分散式）

概念：可將一組程式執行在多型機器上（分散式機群），使其進行資料的分佈爬取

原生的scrapy框架是否可以實現分散式？

不能

抽屜

# spider檔案

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider,Rule

class ChoutiSpider(CrawlSpider):
  name = 'chouti'
  # allowed_domains = ['www.xxx.com']
  start_urls = ['https://dig.chouti.com/1']

  # 連線提取器：從起始url對應的頁面中提取符合規則的所有連線；allow=正則表示式
  # 正則為空的話，提取頁面中所有連線
  link = LinkExtractor(allow=r'\d+')
  rules = (
    # 規則解析器:將連線提取器提取到的連線對應的頁面原始碼進行指定規則的解析
    # Rule自動傳送對應連結的請求
    Rule(link,callback='parse_item',follow=True),# follow：True 將連線提取器 繼續 作用到 連線提取器提取出來的連線 對應的頁面原始碼中
  )
  def parse_item(self,response):
    item = {}
    #item['domain_id'] = response.xpath('//input[@id="sid"]/@value').get()
    #item['name'] = response.xpath('//div[@id="name"]').get()
    #item['description'] = response.xpath('//div[@id="description"]').get()
    return item

陽光熱線網

# 1.spider檔案
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider,Rule
from sunLineCrawl.items import SunlinecrawlItem,ContentItem
class SunSpider(CrawlSpider):
  name = 'sun'
  # allowed_domains = ['www.xxx.com']
  start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=']

  link = LinkExtractor(allow=r'type=4&page=\d+') # 提取頁碼連線
  link1 = LinkExtractor(allow=r'question/2019\d+/\d+\.shtml') # 提取詳情頁連線
  rules = (
    Rule(link,follow=False),Rule(link1,callback='parse_detail'),)
  # 解析出標題和網友名稱資料
  def parse_item(self,response):
    tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr')
    for tr in tr_list:
      title = tr.xpath('./td[2]/a[2]/text()').extract_first()
      net_friend = tr.xpath('./td[4]/text()').extract_first()
      item = SunlinecrawlItem()
      item['title'] = title
      item['net_friend'] = net_friend

      yield item

  # 解析出新聞的內容
  def parse_detail(self,response):
    content = response.xpath('/html/body/div[9]/table[2]//tr[1]/td/div[2]//text()').extract()
    content = ''.join(content)
    item = ContentItem()
    item['content'] = content

    yield item
--------------------------------------------------------------------------------
# 2.items檔案

import scrapy

class SunlinecrawlItem(scrapy.Item):
  title = scrapy.Field()
  net_friend = scrapy.Field()

class ContentItem(scrapy.Item):
  content = scrapy.Field()
--------------------------------------------------------------------------------
# 3.pipelines檔案

class SunlinecrawlPipeline(object):
  def process_item(self,item,spider):
    # 確定接受到的item是什麼型別（Content/Sunlinecrawl）
    if item.__class__.__name__ == 'SunlinecrawlItem':
      print(item['title'],item['net_friend'])

    else:
      print(item['content'])

    return item
--------------------------------------------------------------------------------
# 4.setting檔案

BOT_NAME = 'sunLineCrawl'

SPIDER_MODULES = ['sunLineCrawl.spiders']
NEWSPIDER_MODULE = 'sunLineCrawl.spiders'

LOG_LEVEL = 'ERROR'

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/76.0.3809.132 Safari/537.36'

ROBOTSTXT_OBEY = False

ITEM_PIPELINES = {
  'sunLineCrawl.pipelines.SunlinecrawlPipeline': 300,}

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。