CrawlSpider可以更簡單地實現翻頁請求,利用 `Rule(LinkExtractor...)` 捕捉符合規則的url,然后調用一個解析器解析該url。
<br/>
步驟如下:
**1. 到項目目錄下創建crawlSpider**
```
# scrapy genspider -t crawl <爬蟲名稱> <域名>
> scrapy genspider -t crawl ct_liks www.wxapp-union.com
```
執行上面的命令后,將自動生成如下的`ct_liks.py`文件,如下:
```python
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class CtLiksSpider(CrawlSpider):
name = 'ct_liks'
allowed_domains = ['www.wxapp-union.com']
start_urls = ['http://www.wxapp-union.com/']
rules = (
Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
)
# 這個方法名是可隨便更改的
def parse_item(self, response):
item = {}
#item['domain_id'] = response.xpath('//input[@id="sid"]/@value').get()
#item['name'] = response.xpath('//div[@id="name"]').get()
#item['description'] = response.xpath('//div[@id="description"]').get()
return item
```
`ct_liks.py`文件是可以手動創建的,只是太麻煩了。
<br/>
**2. 在`ct_liks.py`文件中定義 rules**
```python
"""
@Date 2021/4/9
"""
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class CtLiksSpider(CrawlSpider):
name = 'ct_liks'
allowed_domains = ['www.wxapp-union.com']
start_urls = ['http://www.wxapp-union.com/']
rules = (
# 1. 捕捉http://www.wxapp-union.com/頁面的類似的 https://www.wxapp-union.com/article-7002-1.html 鏈接
# 如果多個Rule都滿?某?個URL,會從rules中選擇第?個滿?的進?操作
Rule(LinkExtractor(allow=r'www.wxapp-union.com/article-\d+-1.html'), callback='parse_item'),
# 你可以定義多條rule
# Rule(LinkExtractor(allow=r'www.wxapp-union.com/article-\d+-1.html'), callback='parse_item2'),
)
# 2. 每當有一個url符合www.wxapp-union.com/article-\d+-1.html規則,則parse_item自動被調用一次
def parse_item(self, response):
title = response.xpath("//title").extract_first()
print(title)
```
<br/>
LinkExtractor和Rule還有如下參數可選:
```python
class LxmlLinkExtractor(FilteringLinkExtractor):
def __init__(
self,
allow=(), # 允許的url。所有滿足這個正則表達式的url都會被提取。
deny=(), # 禁止的url。所有滿足這個正則表達式的url都不會被提取。
allow_domains=(), # 允許的域名。只有在這個里面指定的域名的url才會被提取。
deny_domains=(), # 禁止的域名。所有在這個里面指定的域名的url都不會被提取
restrict_xpaths=(), # 嚴格的xpath。和allow共同過濾鏈接。
tags=('a', 'area'),
attrs=('href',),
canonicalize=False,
unique=True,
process_value=None,
deny_extensions=None,
restrict_css=(),
strip=True,
restrict_text=None,
):
class Rule:
def __init__(
self,
link_extractor=None, # 就是一個LinkExtractor對象
callback=None, # 滿足這個規則的url,應該要執行的回調函數。
# 因為 CrawlSpider使用了parse作為回調函數,因此不要覆蓋parse作為自己的回調函數
cb_kwargs=None,
follow=None, # 指定根據該規則從response中提取的鏈接是否需要跟進。
# 不指定callback函數的請求下,如果follow為True,滿足該rule的URL還會繼續被請求
process_links=None, # 從link_extractor中獲取到鏈接后會傳遞給這個函數,用來過濾不需要爬取的鏈接。
process_request=None,
errback=None,
):
```
- 爬蟲基本概念
- 爬蟲介紹
- 通用爬蟲與聚焦爬蟲
- 通用爬蟲
- 聚焦爬蟲
- HTTP與HTTPS協議
- HTTP協議簡介
- HTTP的請求與響應
- 客戶端HTTP請求
- 服務端HTTP響應
- requests庫
- requests庫簡介
- requests簡單使用
- 發送帶header的請求
- 發送帶參數的請求
- 案例:下載百度貼吧頁面
- 發送POST請求
- 使用代理
- 為什么要使用代理?
- 正反向代理
- 代理服務器分類
- 使用代理
- cookie和session
- cookie和session的區別
- 爬蟲處理cookie和session
- 使用session登錄網站
- 使用cookie登錄網站
- cookiejar
- 超時和重試
- verify參數忽略CA證書
- URL地址的解碼和編碼
- 數據處理
- json數據處理
- json數據處理方案
- json模塊處理json數據
- jsonpath處理json數據
- 正則表達式
- lxml
- xpath與lxml介紹
- xpathhelper插件
- 案例
- Beautiful Soup
- Beautiful Soup介紹
- 解析器
- CSS選擇器
- 案例
- 四大對象
- 爬蟲與反爬蟲
- 爬蟲與反爬蟲的斗爭
- 服務器反爬的原因
- 什么樣的爬蟲會被反爬
- 反爬領域常見概念
- 反爬的三個方向
- 基于身份識別進行反爬
- 基于爬蟲行為進行反爬
- 基于數據加密進行反爬
- js解析
- chrome瀏覽器使用
- 定位js
- 設置斷點
- js2py
- hashlib
- 有道翻譯案例
- 動態爬取HTML
- 動態HTML
- 獲取Ajax數據的方式
- selenium+driver
- driver定位
- 表單元素操作
- 行為鏈
- cookie操作
- 頁面等待
- 多窗口與頁面切換
- 配置對象
- 拉勾網案例
- 圖片驗證碼識別
- 圖形驗證碼識別技術簡介
- Tesseract
- pytesseract處理圖形驗證碼
- 打碼平臺
- 登錄打碼平臺
- 驗證碼種類
- 多任務-線程
- 繼承Thread創建線程
- 查看線程數量
- 資源共享
- 互斥鎖
- 死鎖
- 避免死鎖
- Queue線程
- 多線程爬蟲
- 多任務-進程
- 創建進程
- 進程池
- 進程間的通信
- Python GIL
- scrapy框架
- scrapy是什么?
- scrapy爬蟲流程
- 創建scrapy項目
- Selector選擇器
- logging
- scrapy shell
- 保存數據
- Item數據建模
- 翻頁請求
- Request
- CrawlSpider
- settings
- 模擬登錄
- 保存文件
- 內置Pipeline
- 自定義Pipeline
- 中間件
- selenium動態加載
- 防止反爬
- 隨機User-Agent
- 隨機IP代理
- settings中的參數
- 隨機延遲
- request.meta常用參數
- 分布式爬蟲
- 分布式原理
- scrapy_redis
- 去重問題
- 分布式爬蟲編寫流程
- CrawSpider改寫成分布式
- scrapy_splash
- scrapy_splash是什么?
- scrapy_splash環境搭建
- APP抓取
- Android模擬器
- appium
- appium是什么?
- appium環境搭建
- appium環境聯調測試
- appium的使用
- 演示項目-抓取抖音app
- 抖音app與appium的聯調測試
- 元素定位
- 抖音appium代碼
- 抓包軟件
- url去重處理