這個類比較適用于對網(wǎng)站爬取批量網(wǎng)頁，相比于Spider類，CrawlSpider主要使用規(guī)則(rules)來提取鏈接

　　rules = (

　　　　Rule(LinkExtractor(allow=(r'https://movie.douban.com/subject/\d+/')), callback="parse_item1"),

　　　　Rule(LinkExtractor(allow=(r'https://movie.douban.com/subject/.+')), callback="parse_item2"),

　　　　)

　　如果接觸過django，那么可以發(fā)現(xiàn)這個規(guī)則與django的路由系統(tǒng)十分相似，CrawlSpider的rules屬性是直接從response對象的文本中提取url，然后自動創(chuàng)建新的請求。與Spider不同的是，CrawlSpider已經(jīng)重寫了parse函數(shù)，因此我們可以看到，scrapy的官網(wǎng)文檔的例子中并沒有重寫parse。

這一切是scrapy自動實現(xiàn)的，具體過程是：

　　scrapy crawl spidername開始運行，程序自動使用start_urls構(gòu)造Request并發(fā)送請求，然后調(diào)用parse函數(shù)對其進行解析，在這個解析過程中使用rules中的規(guī)則從html（或xml）文本中提取匹配的鏈接，通過這個鏈接再次生成Request，如此不斷循環(huán)，直到返回的文本中再也沒有匹配的鏈接，或調(diào)度器中的Request對象用盡，程序才停止。

　　rules中的規(guī)則如果callback沒有指定，則使用默認的parse函數(shù)進行解析，如果指定了，那么使用自定義的解析函數(shù)。

　　如果起始的url解析方式有所不同，那么可以重寫CrawlSpider中的另一個函數(shù)parse_start_url(self, response)用來解析第一個url返回的Response，但這不是必須的。

　　Rule對象的follow參數(shù)的作用是：指定了根據(jù)該規(guī)則從response提取的鏈接是否需要跟進。

參考：?http://scrapy-chs.readthedocs.io/zh_CN/stable/topics/spiders.html#crawling-rules

?

1 #!/usr/bin/python 2 # -*- coding: utf-8 -*- 3 4 import scrapy 5 from tutorial01.items import MovieItem 6 from scrapy.spiders.crawl import Rule, CrawlSpider 7 from scrapy.linkextractors import LinkExtractor 8 9 10 class DoubanmoviesSpider(CrawlSpider): 11 name = "doubanmovies" 12 allowed_domains = ["douban.com"] 13 start_urls = ['https://movie.douban.com/tag/'] 14 # http_user='username' #http協(xié)議的基本認證功能 ；http_user和http_pass 15 # http_pass='password' 16 rules = ( #自動從response中根據(jù)正則表達式提取url，再根據(jù)這個url再次發(fā)起請求，并用callback解析返回的結(jié)果 17 Rule(LinkExtractor(allow=(r'https://movie.douban.com/subject/\d+/')), callback="parse_item"), 18 #Rule(LinkExtractor(allow=(r'https://movie.douban.com/tag/\[wW]+'))), # 從網(wǎng)頁中提取http鏈接 19 20 ) 21 22 23 def parse_item(self, response): 24 movie = MovieItem() 25 movie['name'] = response.xpath('//*[@id="content"]/h1/span[1]/text()').extract()[0] 26 movie['director'] = '/'.join(response.xpath('//a[@rel="v:directedBy"]/text()').extract()) 27 movie['writer'] = '/'.join(response.xpath('//*[@id="info"]/span[2]/span[2]/a/text()').extract()) 28 movie['url'] = response.url 29 movie['score'] = response.xpath('//*[@class="ll rating_num"]/text()').extract()[0] 30 movie['collections'] = response.xpath('//span[@property="v:votes"]/text()').extract()[0] #評價人數(shù) 31 movie['pub_date'] = response.xpath('//span[@property="v:initialReleaseDate"]/text()').extract()[0] 32 movie['actor'] = '/'.join(response.css('span.actor span.attrs').xpath('.//a[@href]/text()').extract()) 33 movie['classification'] = '/'.join(response.xpath('//span[@property="v:genre"]/text()').extract()) 34 print('movie:%s |url:%s'%(movie['name'],movie['url'])) 35 return movie 36 37 def parse_start_url(self, response): 38 urls = response.xpath('//div[@class="article"]//a/@href').extract() 39 for url in urls: 40 if 'https' not in url: # 去除多余的鏈接 41 url = response.urljoin(url) # 補全 42 print(url) 43 print('*'*30) 44 yield scrapy.Request(url)

?

總結(jié)

以上是生活随笔為你收集整理的scrapy.spiders.crawl.CrawlSpider类的使用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。