这周临时通知出差，所以没办法更文，实在抱歉。
为什么使用CrawlSpider类？
回顾上一篇文章，我们大多时间都是在寻找下一页的url地址或者是内容的url地址上面，我们的大体思路是这样的：
- 从response中提取所有的a标签对应的url地址
- 自动的构造自己requests请求，发送给引擎
其实我们可以使用CrawlSpider类，让满足某个条件的url地址，我们才发送给引擎，同时能够指定callback函数。
CrawlSpider的使用
使用scrapy genspider –t crawl [爬虫名] [all_domain]就可以创建一个CrawlSpider模版。
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：
Rules
CrawlSpider使用rules来决定爬虫的爬取规则，并将匹配后的url请求提交给引擎。所以在正常情况下，CrawlSpider不需要单独手动返回请求了。
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。
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。
代码语言：javascript复制class scrapy.spiders.Rule(
link_extractor,
callback = None,
cb_kwargs = None,
follow = None,
process_links = None,
process_request = None
)
其中：
- 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)
LinkExtractors
Link Extractors 的目的很简单：提取链接｡
代码语言：javascript复制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
)
其中：
- 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。
CrawlSpider类-实战腾讯招聘
上一篇文章我们用scrapy spider类实现了腾讯招聘的爬取，这次就再用CrawlSpider再实现一次。
创建爬虫
代码语言：javascript复制scrapy genspider –t crawl tthr tencent.com
分析页面
这里我们只要找出详情页的链接规律和翻页的链接规律，所以可以找到以下链接：
代码语言：javascript复制# 详情页规律
position_detail.php?id=43310&keywords=&tid=0&lid=0
# 翻页规律
position.php?&start=10#a
到这里我们就可以写出以下rule：
代码语言：javascript复制# 详情页链接规律
Rule(LinkExtractor(allow=r'position_detail.phpid=d &keywords=&tid=0&lid=0'),callback='parse_item'),
# 在列表页查找翻页链接规律
Rule(LinkExtractor(allow=r'position.php?&start=d #a'), follow=True)
注意： 在查找详情页Rule时follow=False，我们无需在详情页再查找详情页的地址，而在列表Rule时follow=False，意味着不断在列表页中查找下一页地址。
编写代码
代码语言：javascript复制# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from tencenthr.items import TtItem
class TthrSpider(CrawlSpider):
name = 'tthr'
allowed_domains = ['tencent.com']
start_urls = ['https://hr.tencent.com/position.php']
rules = (
Rule(LinkExtractor(allow=r'position_detail.php?id=d &keywords=&tid=0&lid=0'), callback='parse_item'),
Rule(LinkExtractor(allow=r'position.php?&start=d #a'), follow=True)
)
def parse_item(self, response):
item = TtItem()
item['sharetitle'] = response.xpath('//td[@id="sharetitle"]/text()').extract_first()
item['category'] = response.xpath('//span[text()="职位类别："]/../text()').extract_first()
item['location'] = response.xpath('//span[text()="工作地点："]/../text()').extract_first()
item['num'] = response.xpath('//span[text()="招聘人数："]/../text()').extract_first()
item['duty'] = response.xpath('//div[text()="工作职责："]/../ul/li/text()').extract()
item['claim'] = response.xpath('//div[text()="工作要求："]/../ul/li/text()').extract()
return item
