1. scrapy通用爬虫

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来提供跟进链接的方便的机制，从爬取的网页结果中获取链接并继续爬取的工作．

2.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)

3.通过下面的命令可以快速创建 CrawlSpider模板 的代码：

scrapy genspider -t crawl 爬虫文件 域名

4.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:

class XcfcrawlspiderSpider(CrawlSpider):
    #爬虫名称
    name = 'xcfCrawlSpider'
    #设置允许爬取的域
    allowed_domains = ['xiachufang.com']
    #设置起始的url
    start_urls = ['http://www.xiachufang.com/category/']
    rules = (
        Rule(
            LinkExtractor(allow=r'.*?/category/\d+/'),
            callback='parse_item',
            follow=True,
            process_links='check_category_url'
        ),
    )

5. rules

**CrawlSpider**使用**rules**属性来决定爬虫的爬取规则，并将匹配后的url请求提交给引擎,完成后续的爬取工作。

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某种特定操作，比如提取当前相应内容里的特定链接，是否对提取的链接跟进爬取，对提交的请求设置回调函数等。

注意:

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中每获取到链接得到Responses时，会调用参数所指定的值作为回调函数，该回调函数接收一个response作为其一个参数。

• 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：指定处理函数，根据该Rule提取到的每个Request时，该函数将会被调用，可以对Request进行处理，该函数必须返回Request或者None

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。

6. LinkExtractors

class scrapy.linkextractors.LinkExtractor

LinkExtractors 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。

LinkExtractors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URL会被提取，如果为空，则全部匹配。

• deny：满足括号中“正则表达式”的URL一定不提取（优先级高于allow）。

• allow_domains：会提取的链接的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。

7. 爬取规则(Crawling rules)

由于原智联招聘网站已改版，无法实现crawlspider爬取已跟换如下项目

下厨房的实际案例实现：

1. 可以先创建一个虚拟环境
2. 进入指定目录，创建爬虫项目

上面创建虚拟环境的的步骤这里不在讲解，虚拟环境创建完毕后我们创建智联的爬虫项目

1.创建项目scrapy startproject xiachufang(项目名称) 2.进入spiders目录创建xiachufang爬虫文件 scrapy gen spider -t crawl xcfcrawlspider xiachufang.com 3.执行完成后使用scrapy list查看当前存在的spider爬虫文件

第一步：根据要爬取的网页确定需要保存的字段

Item.py:定义需要爬取的字段

class XiachufangItem(scrapy.Item):
    #图片链接
    coverImage = scrapy.Field()
    #名称
    title = scrapy.Field()
    #评分
    score = scrapy.Field()
    #多少人做过
    doitnum = scrapy.Field()
    #发布人
    author = scrapy.Field()
    #用料
    used = scrapy.Field()
    #做法
    methodway = scrapy.Field()

    def insert_data_to_db(self,dataDict):
        sql = """
        INSERT INTO caipu (%s)
        VALUES (%s)
        """ % (','.join(dataDict.keys()),','.join(['%s']*len(dataDict)))

        data = list(dataDict.values())

        return sql,data

第二步：编写爬虫类

LinkExtractor实例对象

根据需要提取的页面的url来设置需要提取的规则

• LinkExtractor方法中的常用的参数

• allow : LinkExtractor对象最重要的参数之一，这是一个正则表达式，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｡

• allow_domains:包含了spider允许爬取的域名(domain)列表(list)

• deny_domains=():包含了spider不允许爬取的域名(domain)列表(list)

spider爬虫文件代码

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
#通用爬虫提取到的连接会构建一个Link对象
from scrapy.link import Link
from xiachufang.items import XiachufangItem

#创建通用爬虫的命令：scrapy genspider -t crawl 爬虫名称　域

class XcfcrawlspiderSpider(CrawlSpider):
    #爬虫名称
    name = 'xcfCrawlSpider'
    #设置允许爬取的域
    allowed_domains = ['xiachufang.com']
    #设置起始的url
    start_urls = ['http://www.xiachufang.com/category/']

    # rules:是一个元组（列表）,里面存放的是规则Rule规则对象
    # 可以有多个规则

    #Rule:
    #LinkExtractor:设置提取规则
    #callback:设置回调函数（获取响应,解析数据）
    #follow:设置是否需要跟进

    rules = (
        #分类列表地址
        # http://www.xiachufang.com/category/40073/
        Rule(
            LinkExtractor(allow=r'.*?/category/\d+/'),
            callback='parse_item',
            follow=True,
            process_links='check_category_url'
        ),
        # 菜单详情地址,
        # http://www.xiachufang.com/recipe/1055105/
        # http://www.xiachufang.com/recipe/12137/
        # http://www.xiachufang.com/recipe/100147684/
        Rule(
            LinkExtractor(
                allow=r'.*?/recipe/\d+/',
            ),
            callback='parse_caipu_detail',
            follow=False,
        )
    )

    # def parse(self): 一定不能出现这个方法,因为crawlSpider使用了这个方法

    def parse_item(self, response):
        print('分类获取成功')
        print(response.status,response.url)

    def check_category_url(self,links):
        """
        可以在此方法做对规则提取的url构建成的的link对象做过滤处理
        :param links:
        :return:
        """
        print('===================',links,'===================')
        return links

    def parse_caipu_detail(self,response):
        """
        菜谱详情请求成功后的结果处理,从响应结果中提取目标数据
        :param response:
        :return:
        """
        print('详情获取成功')
        print(response.status,response.url)
        # 取出item
        item = XiachufangItem()
        # 图片链接
        item['coverImage'] = response.xpath('//div[@class="cover image expandable block-negative-margin"]/img/@src').extract_first('')
        # 名称
        item['title'] = ''.join(response.xpath('//h1[@class="page-title"]/text()').extract()).replace(' ','').replace('\n','')
        # 评分
        item['score'] = response.xpath('//div[@class="score float-left"]/span[@class="number"]/text()').extract_first('')
        # 多少人做过
        item['doitnum'] = response.xpath('//div[@class="cooked float-left"]/span[@class="number"]/text()').extract_first('')
        # 发布人
        item['author'] = response.xpath('//div[@class="author"]/a[1]/span/text()').extract_first('')
        # 获取用料的列表
        # 对吓：8只;对吓：8只;对吓：8只;对吓：8只;对吓：8只
        tr_list = response.css('div.ings tr')
        used_list = []
        for tr in tr_list:
            name = ''.join(tr.css('td.name ::text').extract()).replace('\n', '').replace(' ', '')
            value = ''.join(tr.css('td.unit ::text').extract()).replace('\n', '').replace(' ', '')
            if len(value) == 0:
                value = '若干'
            used_list.append(name + ':' + value)
        item['used'] = ';'.join(used_list)
        # 获取做法
        item['methodway'] = '->'.join(response.css('div.steps p.text ::text').extract())
        print(item)
        # yield item

第三步：数据保存

pipelines管道文件

import pymysql

class XiachufangPipeline(object):

    def __init__(self,host,port,user,pwd,db,charset):

        self.client = pymysql.Connect(host,user,pwd,db,port,charset=charset)
        self.cursor = self.client.cursor()

    @classmethod
    def from_crawler(cls,crawler):
        host = crawler.settings['MYSQL_HOST']
        port = crawler.settings['MYSQL_PORT']
        user = crawler.settings['MYSQL_USER']
        pwd = crawler.settings['MYSQL_PWD']
        db = crawler.settings['MYSQL_DB']
        charset = crawler.settings['CHARSET']

        return cls(host,port,user,pwd,db,charset)

    def process_item(self, item, spider):

        sql,data = item.insert_data_to_db(dict(item))

        try:
            self.cursor.execute(sql,data)
            self.client.commit()
            print('插入成功')
        except Exception as err:
            print(err)
            self.client.rollback()

        return item

    def close_spider(self,spider):
        self.cursor.close()
        self.client.close()

第四步：settings相关设置

settings.py设置文件

settings里面设置相关参数
1.ROBOTSTXT_OBEY = False 设置是否遵守robot协议
2.DOWNLOAD_DELAY = 3 设置下载延时
3.设置全局的Header
DEFAULT_REQUEST_HEADERS = {
    'User-Agent':' Mozilla/5.0 (Macintosh; Intel Mac OS X 10.12; rv:59.0) Gecko/20100101 Firefox/59.0',
}

4.激活pipelines数据处理管道

ITEM_PIPELINES = {
   'xiachufang.pipelines.XiachufangPipeline': 300,
}

#关于数据库的相关配置
MYSQL_HOST = '127.0.0.1'
MYSQL_PORT = 3306
MYSQL_USER = ''
MYSQL_PWD = ''
MYSQL_DB = ''
CHARSET = 'utf8'

第五步：运行程序

方式一

运行：
scrapy crawl xcfcrawlspider

方式二

编写main.py文件执行

import os,sys
from scrapy.cmdline import execute

sys.path.append(os.path.dirname(os.path.abspath(__file__)))
execute(['scrapy','crawl','xcfcrawlspider'])

注意：

#提取匹配的链接
page_lx = LinkExtractor(allow = ('匹配规则'))

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，如果覆盖了 parse方法，crawl spider将会运行失败。