从这篇文章开始，我将利用三篇文章分别讲解 Scrapy 爬虫模板。 Scrapy 爬虫模板包含四个模板：
- Basic ：最基本的模板，这里我们不会讲解；
- CrawlSpider
- XMLFeedSpider
- CSVFEEDSpider
这篇文章我先来讲解一下 CrawlSpider 模板。
零、讲解
CrawlSpider 是常用的 Spider ，通过定制规则来跟进链接。对于大部分网站我们可以通过修改规则来完成爬取任务。 CrawlSpider 常用属性是 rules* ，它是一个或多个 Rule 对象以 tuple 的形式展现。其中每个 Rule 对象定义了爬取目标网站的行为。
Tip：如果有多个 Rule 对象命中同一个链接，那么只有第一个 Rule 对象生效。
我们来看一下 Role 的语法：
代码语言：javascript复制Rule(link_extractor [,callback = None] [,cb_kwargs = None] [,follow = None] [,process_links = None] [,process_request = None])参数解析：
- link_extractor：Link Extrator 对象，是一个正则表达式。主要定义了从网页中提取哪些元素作为继续跟进的链接；
- callback：回调函数，也可以是回调函数的字符串名。接收 Response 作为参数，返回包含 Item 或者 Request 对象列表；
- cb_kwargs：字典类型的对象，传递给回调函数的参数；
- follow：是否根据这个 Rule 的 link_extractor 从 Response 中提取链接；
- process_links：回调函数，也可以是回调函数的字符串名。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：回调函数，也可以是回调函数的字符串名。用来过滤 Request ，该规则提取到每个 Request 时都会调用该函数。
一、案例
这个案例我们爬取的是名人名言网站，我们需要做的是提取名言内容、作者姓名和标签，然后通过作者链接进入到作者介绍的页面，最后我们爬取的作者的详细信息。
代码语言：javascript复制import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
class Quotes(CrawlSpider):
name = "quotes"
allow_domain = ['quotes.toscrape.com']
start_urls = ['http://quotes.toscrape.com']
rules = (
Rule(LinkExtractor(allow='/page/d '), callback='parse_quotes', follow=True),
Rule(LinkExtractor(allow='/author/w _'), callback='parse_author')
)
def parse_quotes(self, response):
for quote in response.css('.quote'):
yield {
'content': quote.css('.text::text').extract_first(),
'author': quote.css('.author::text').extract_first(),
'tags': quote.css('.tag::text').extract()
}
def parse_author(self, response):
name = response.css('.author-title::text').extract_first()
author_born_date = response.css('.author_born_date::text').extract_first()
author_description = response.css('.author_description::text').extract_first()
return ({
'name': name,
'author_born_date': author_born_date,
'author_description': author_description
})
import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
class Quotes(CrawlSpider):
name = "quotes"
allow_domain = ['quotes.toscrape.com']
start_urls = ['http://quotes.toscrape.com']
rules = (
Rule(LinkExtractor(allow='/page/d '), callback='parse_quotes', follow=True),
Rule(LinkExtractor(allow='/author/w _'), callback='parse_author')
)
def parse_quotes(self, response):
for quote in response.css('.quote'):
yield {
'content': quote.css('.text::text').extract_first(),
'author': quote.css('.author::text').extract_first(),
'tags': quote.css('.tag::text').extract()
}
def parse_author(self, response):
name = response.css('.author-title::text').extract_first()
author_born_date = response.css('.author_born_date::text').extract_first()
author_description = response.css('.author_description::text').extract_first()
return ({
'name': name,
'author_born_date': author_born_date,
'author_description': author_description
})上述代码中 Rule(LinkExtractor(allow='/page/d '), callback='parse_quotes', follow=True),代码段定义了爬取所有名人名言页的规则，即只要符合 /page/d 的所有链接就被视为名人名言页，然后我们调用 parse_quotes 方法提取相关数据。 在 Rule(LinkExtractor(allow='/author/w _'), callback='parse_author')代码段中我们定义了爬取作者信息页的规则，即只要符合 /author/w _的所有链接就被视为作者信息页，之后我们调用 parse_author 方法提取相关数据。
)代码段中我们定义了爬取作者信息页的规则，即只要符合/author/w _```的所有链接就被视为作者信息页，之后我们调用 parse_author 方法提取相关数据。
