1 parse()方法的工作机制:
1. 因为使用的 yield, 而不是 return.parse 函数将会被当做一个生成器使用. scrapy 会逐一获取 parse 方法中生成的结果, 并判断该结果是一个什么样的类型;
2. 如果是 request 则加入爬取队列, 如果是 item 类型则使用 pipeline 处理, 其他类型则返回错误信息.
3. scrapy 取到第一部分的 request 不会立马就去发送这个 request, 只是把这个 request 放到队列里, 然后接着从生成器里获取;
4. 取尽第一部分的 request, 然后再获取第二部分的 item, 取到 item 了, 就会放到对应的 pipeline 里处理;
5. parse()方法作为回调函数 (callback) 赋值给了 Request, 指定 parse()方法来处理这些请求 scrapy.Request(url, callback=self.parse)
6. Request 对象经过调度, 执行生成 scrapy.http.response()的响应对象, 并送回给 parse()方法, 直到调度器中没有 Request(递归的思路)
7. 取尽之后, parse()工作结束, 引擎再根据队列和 pipelines 中的内容去执行相应的操作;
8. 程序在取得各个页面的 items 前, 会先处理完之前所有的 request 队列里的请求, 然后再提取 items.
7. 这一切的一切, Scrapy 引擎和调度器将负责到底.
2 CrawlSpiders: 定义了一些规则跟进 link
通过下面的命令可以快速创建 CrawlSpider 模板 的代码:
scrapy genspider -t crawl tencent tencent.com
上一个案例中, 我们通过正则表达式, 制作了新的 url 作为 Request 请求参数, 现在我们可以换个花样...
class scrapy.spiders.CrawlSpider
它是 Spider 的派生类, Spider 类的设计原则是只爬取 start_url 列表中的网页, 而 CrawlSpider 类定义了一些规则 (rule) 来提供跟进 link 的方便的机制, 从爬取的网页中获取 link 并继续爬取的工作更适合.
源码参考
- class CrawlSpider(Spider):
- rules = ()
- def __init__(self, *a, **kw):
- super(CrawlSpider, self).__init__(*a, **kw)
- self._compile_rules()
- #首先调用 parse()来处理 start_urls 中返回的 response 对象
- #parse()则将这些 response 对象传递给了_parse_response()函数处理, 并设置回调函数为 parse_start_url()
- #设置了跟进标志位 follow = True
- #parse 将返回 item 和跟进了的 Request 对象
- def parse(self, response):
- return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)
- #处理 start_url 中返回的 response, 需要重写
- def parse_start_url(self, response):
- return []
- def process_results(self, response, results):
- return results
- #从 response 中抽取符合任一用户定义'规则'的链接, 并构造成 Resquest 对象返回
- def _requests_to_follow(self, response):
- if not isinstance(response, htmlResponse):
- return
- seen = set()
- #抽取之内的所有链接, 只要通过任意一个'规则', 即表示合法
- for n, rule in enumerate(self._rules):
- links = [l for l in rule.link_extractor.extract_links(response) if l not in seen]
- #使用用户指定的 process_links 处理每个连接
- if links and rule.process_links:
- links = rule.process_links(links)
- #将链接加入 seen 集合, 为每个链接生成 Request 对象, 并设置回调函数为_repsonse_downloaded()
- for link in links:
- seen.add(link)
- #构造 Request 对象, 并将 Rule 规则中定义的回调函数作为这个 Request 对象的回调函数
- r = Request(url=link.url, callback=self._response_downloaded)
- r.meta.update(rule=n, link_text=link.text)
- #对每个 Request 调用 process_request()函数.
- #该函数默认为 indentify, 即不做任何处理, 直接返回该 Request.
- yield rule.process_request(r)
- #处理通过 rule 提取出的连接, 并返回 item 以及 request
- def _response_downloaded(self, response):
- rule = self._rules[response.meta['rule']]
- return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)
- #解析 response 对象, 会用 callback 解析处理他, 并返回 request 或 Item 对象
- def _parse_response(self, response, callback, cb_kwargs, follow=True):
- #首先判断是否设置了回调函数 (该回调函数可能是 rule 中的解析函数, 也可能是 parse_start_url 函数)
- #如果设置了回调函数 (parse_start_url()), 那么首先用 parse_start_url() 处理 response 对象,
- #然后再交给 process_results 处理. 返回 cb_res 的一个列表
- if callback:
- #如果是 parse 调用的, 则会解析成 Request 对象
- #如果是 rule callback, 则会解析成 Item
- 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
- #如果需要跟进, 那么使用定义的 Rule 规则提取并返回这些 Request 对象
- if follow and self._follow_links:
- #返回每个 Request 对象
- 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, basestring):
- 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)
- def set_crawler(self, crawler):
- super(CrawlSpider, self).set_crawler(crawler)
- self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)
CrawlSpider 继承于 Spider 类, 除了继承过来的属性外(name,allow_domains), 还提供了新的属性和方法:
- 3 LinkExtractors
- class scrapy.linkextractors.LinkExtractor
Link Extractors 的目的很简单: 提取链接。
每个 LinkExtractor 有唯一的公共方法是 extract_links(), 它接收一个 Response 对象, 并返回一个 scrapy.link.Link 对象.
Link Extractors 要实例化一次, 并且 extract_links 方法会根据不同的 response 调用多次提取链接。
- 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
- )
主要参数:
allow: 满足括号中 "正则表达式" 的值会被提取, 如果为空, 则全部匹配.
deny: 与这个正则表达式 (或正则表达式列表) 匹配的 URL 一定不提取.
allow_domains: 会被提取的链接的 domains.
deny_domains: 一定不会被提取链接的 domains.
restrict_xpaths: 使用 xpath 表达式, 和 allow 共同作用过滤链接.
4 rules: 适合全站爬取
在 rules 中包含一个或多个 Rule 对象, 每个 Rule 对爬取网站的动作定义了特定操作. 如果多个 rule 匹配了相同的链接, 则根据规则在本集合中被定义的顺序, 第一个会被使用.
- class scrapy.spiders.Rule(
- link_extractor,
- callback = None,
- cb_kwargs = None,
- follow = None,
- process_links = None,
- process_request = None
- )
link_extractor: 是一个 Link Extractor 对象, 用于定义需要提取的链接.
callback: 从 link_extractor 中每获取到链接时, 参数所指定的值作为回调函数, 该回调函数接受一个 response 作为其第一个参数.
注意: 当编写爬虫规则时, 避免使用 parse 作为回调函数. 由于 CrawlSpider 使用 parse 方法来实现其逻辑, 如果覆盖了 parse 方法, crawl spider 将会运行失败.
follow: 是一个布尔 (boolean) 值, 指定了根据该规则从 response 提取的链接是否需要跟进. 如果 callback 为 None,follow 默认设置为 True , 否则默认为 False.
process_links: 指定该 spider 中哪个的函数将会被调用, 从 link_extractor 中获取到链接列表时将会调用该函数. 该方法主要用来过滤.
process_request: 指定该 spider 中哪个的函数将会被调用, 该规则提取到每个 request 时都会调用该函数. (用来过滤 request)
5 爬取规则(Crawling rules)
继续用腾讯招聘为例, 给出配合 rule 使用 CrawlSpider 的例子:
首先运行
scrapy shell "http://hr.tencent.com/position.php?&start=0#a"
导入 LinkExtractor, 创建 LinkExtractor 实例对象.:
- from scrapy.linkextractors import LinkExtractor
- page_lx = LinkExtractor(allow=('position.php?&start=\d+'))
> allow : LinkExtractor 对象最重要的参数之一, 这是一个正则表达式或正则表达式列表, 必须要匹配这个正则表达式 (或正则表达式列表) 的 URL 才会被提取, 如果没有给出(或为空), 它会匹配所有的链接。
> deny : 用法同 allow, 只不过与这个正则表达式匹配的 URL 不会被提取)。它的优先级高于 allow 的参数, 如果没有给出(或 None), 将不排除任何链接。
3. 调用 LinkExtractor 实例的 extract_links()方法查询匹配结果:
page_lx.extract_links(response)
没有查到:
[]
注意转义字符的问题, 继续重新匹配:
- page_lx = LinkExtractor(allow=('position\.php\?&start=\d+'))
- # page_lx = LinkExtractor(allow = ('start=\d+'))
- page_lx.extract_links(response)
- ## CrawlSpider 版本
那么, scrapy shell 测试完成之后, 修改以下代码
- ```python
- # 提取匹配'http://hr.tencent.com/position.php?&start=\d+'的链接
- page_lx = LinkExtractor(allow = ('start=\d+'))
- rules = [
- #提取匹配, 并使用 spider 的 parse 方法进行分析; 并跟进链接(没有 callback 意味着 follow 默认为 True)
- Rule(page_lx, callback = 'parse', follow = True)
- ]
这么写对吗?
不对! 千万记住 callback 千万不能写 parse, 再次强调: 由于 CrawlSpider 使用 parse 方法来实现其逻辑, 因此回调函数必须保证不能与 CrawlSpider 中 parse 方法重名 , 如果覆盖了 parse 方法, crawl spider 将会运行失败.
- # -*- coding: utf-8 -*-
- import re
- import scrapy
- from scrapy.spiders import CrawlSpider, Rule # 提取超链接的规则
- from scrapy.linkextractors import LinkExtractor # 提取超链接
- from Tencent import items
- class MytencentSpider(CrawlSpider):
- name = 'myTencent'
- allowed_domains = ['hr.tencent.com']
- start_urls = ['https://hr.tencent.com/position.php?lid=2218&start=0#a']
- page_lx = LinkExtractor(allow=("start=\d+"))
- rules = [
- Rule(page_lx, callback="parseContent", follow=True)
- ]
- # parse(self, response)
- def parseContent(self, response):
- for data in response.xpath("//tr[@class=\"even\"] | //tr[@class=\"odd\"]"):
- item = items.TencentItem()
- item["jobTitle"] = data.xpath("./td[1]/a/text()")[0].extract()
- item["jobLink"] = "https://hr.tencent.com/" + data.xpath("./td[1]/a/@href")[0].extract()
- item["jobCategories"] = data.xpath("./td[1]/a/text()")[0].extract()
- item["number"] = data.xpath("./td[2]/text()")[0].extract()
- item["location"] = data.xpath("./td[3]/text()")[0].extract()
- item["releasetime"] = data.xpath("./td[4]/text()")[0].extract()
- yield item
- # for i in range(1, 200):
- # newurl = "https://hr.tencent.com/position.php?lid=2218&start=%d#a" % (i*10)
- # yield scrapy.Request(newurl, callback=self.parse)
运行:
scrapy crawl tencent
6 robots 协议
Robots 协议 (也称为爬虫协议, 机器人协议等) 的全称是 "网络爬虫排除标准"(Robots Exclusion Protocol), 网站通过 Robots 协议告诉搜索引擎哪些页面可以抓取, 哪些页面不能抓取. robots.txt 文件是一个文本文件. 当一个搜索蜘蛛访问一个站点 https://baike.baidu.com/item/站点 时, 它会首先检查 https://baike.baidu.com/item/检查 该站点根目录 https://baike.baidu.com/item/根目录 下是否存在 robots.txt, 如果存在, 搜索机器人就会按照该文件中的内容来确定访问的范围; 如果该文件不存在, 所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面.
User-agent: * 这里的 * 代表的所有的搜索引擎种类,* 是一个通配符
Disallow: /admin/ 这里定义是禁止爬寻 admin 目录下面的目录
Disallow: /require/ 这里定义是禁止爬寻 require 目录下面的目录
Disallow: /ABC/ 这里定义是禁止爬寻 ABC 目录下面的目录
Disallow: /cgi-bin/*.htm 禁止访问 / cgi-bin / 目录下的所有以 ".htm" 为后缀的 URL(包含子目录).
Disallow: /*?* 禁止访问网站中所有包含问号 (?) 的网址
Disallow: /.jpg$ 禁止抓取网页所有的. jpg 格式的图片
Disallow:/ab/adc.html 禁止爬取 ab 文件夹下面的 adc.html 文件.
Allow: /cgi-bin/ 这里定义是允许爬寻 cgi-bin 目录下面的目录
Allow: /tmp 这里定义是允许爬寻 tmp 的整个目录
Allow: .htm$ 仅允许访问以 ".htm" 为后缀的 URL.
Allow: .gif$ 允许抓取网页和 gif 格式图片
Sitemap: 网站地图 告诉爬虫这个页面是网站地图
实例分析: 淘宝网的 robots.txt 文件
禁止 robots 协议将 ROBOTSTXT_OBEY = True 改为 False
7 Logging
Scrapy 提供了 log 功能, 可以通过 logging 模块使用.
可以修改配置文件 settings.py, 任意位置添加下面两行, 效果会清爽很多.
- LOG_ENABLED = True # 开启
- LOG_FILE = "TencentSpider.log" #日志文件名
- LOG_LEVEL = "INFO" #日志级别
- Log levels
Scrapy 提供 5 层 logging 级别:
CRITICAL - 严重错误(critical)
ERROR - 一般错误(regular errors)
WARNING - 警告信息(warning messages)
INFO - 一般信息(informational messages)
DEBUG - 调试信息(debugging messages)
logging 设置
通过在 setting.py 中进行以下设置可以被用来配置 logging:
LOG_ENABLED
默认: True, 启用 logging
LOG_ENCODING
默认: 'utf-8',logging 使用的编码
LOG_FILE
默认: None, 在当前目录里创建 logging 输出文件的文件名
LOG_LEVEL
默认: 'DEBUG',log 的最低级别
LOG_STDOUT
默认: False 如果为 True, 进程所有的标准输出 (及错误) 将会被重定向到 log 中. 例如, 执行 print "hello" , 其将会在 Scrapy log 中显示.
日志模块已经被 scrapy 弃用, 改用 python 自带日志模块
- import logging
- LOG_FORMAT = "%(asctime)s - %(levelname)s - %(message)s" # 设置输出格式
- DATE_FORMAT = "%Y/%m/%d %H:%M:%S" # 设置时间格式
- logging.basicConfig(filename='tianya.log', filemode='a+', format=LOG_FORMAT, datefmt=DATE_FORMAT)
- logging.warning('错误')
setting.py 设置抓取间隔
DOWNLOAD_DELAY = 0.25 #设置下载间隔为 250ms
来源: https://www.cnblogs.com/why957/p/9276338.html