• scrapy的CrawlSpider类


    了解CrawlSpider

    踏实爬取一般网站的常用spider,其中定义了一些规则(rule)来提供跟进link的方便机制,也许该spider不适合你的目标网站,但是对于大多数情况是可以使用的。因此,可以以此为七点,根据需求修改部分方法,当然也可以实现自己的spider。

    官方文档:http://scrapy-chs.readthedocs.io/zh_CN/0.24/topics/spiders.html#crawlspider

    CrawlSpider的使用

    简单使用

    创建爬虫文件:scrapy genspider -t crawl "spider_name" "url"

    得到如下目录:

    其中spider文件夹中的爬虫文件下的内容如下所示:

    CrawlSpider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类中定义了一些规则(rule)来提取跟进link的方便机制,从而爬取的网页中获取link并继续爬取。

     方法属性

    Name:定义spider的名字

    allow_domains:包含了spider允许抓起去的域名列表。

    start_url:初始化url列表,当没有指定的url时,spider将从该列表中开始进行爬取。

    start_requests(self):该方法返回一个可迭代对象,该对象包含了spider用于抓取的第一个request。

    parse(self, resposne):默认的Request对象回调函数,用来处理返回的response,以及生成Items或者Request对象。

    使用CralwSpider抓取数据

    编写CrawlSpider,抓取腾讯招聘的信息,具体网页分析,见:

     http://www.cnblogs.com/pythoner6833/p/9018782.html

     具体代码如下:

    # -*- coding: utf-8 -*-
    import scrapy
    from scrapy.linkextractors import LinkExtractor
    from scrapy.spiders import CrawlSpider, Rule
    from tencent2.items import Tencent2Item, DetailsItem
    
    
    class Tencent2Spider(CrawlSpider):
    
        # 爬虫名
        name = 'Tencent2'
        # 允许抓取的url
        allowed_domains = ['hr.tencent.com']
        # 请求开始的url
        start_urls = ['https://hr.tencent.com/position.php?']
    
        # rules属性
        rules = (
    
            # 定义规则,抓取符合要求的url
            # allow是允许爬取的规则,后面的内容是正则表达式,匹配页面中所有符合匹配规则的a标签
            # callback是回调函数,用于解析抓取到的符合匹配的链接
            # follow:是否跟进,是否继续请求抓取到的链接
            Rule(LinkExtractor(allow=r'start=d+'), callback='parse_tencent', follow=True),
    
            #编写匹配详情页的规则,抓取到详情页的链接后不用跟进
            Rule(LinkExtractor(allow=r'position_detail.php?id=d+'), callback='parse_detail', follow=False),
        )
    
        def parse_tencent(self, response):
            # 获取页面中招聘信息在网页中位置节点
            node_list = response.xpath('//tr[@class="even"] | //tr[@class="odd"]')
    
            # 遍历节点,进入详情页,获取其他信息
            for node in node_list:
                # 实例化,填写数据
                item = Tencent2Item()
    
                item['position_name'] = node.xpath('./td[1]/a/text()').extract_first()
                item['position_link'] = node.xpath('./td[1]/a/@href').extract_first()
                item['position_type'] = node.xpath('./td[2]/text()').extract_first()
                item['wanted_number'] = node.xpath('./td[3]/text()').extract_first()
                item['work_location'] = node.xpath('./td[4]/text()').extract_first()
                item['publish_time'] = node.xpath('./td[5]/text()').extract_first()
    
                yield item
    
        def parse_detail(self, response):
            """
            解析详情页数据
            :param response:
            :return:
            """
            item = DetailsItem()
            # 从详情页获取工作责任和工作技能两个字段名
            item['work_duties'] = ''.join(response.xpath('//ul[@class="squareli"]')[0].xpath('./li/text()').extract())
            item['work_skills'] = ''.join(response.xpath('//ul[@class="squareli"]')[1].xpath('./li/text()').extract())
            yield item

     其他部分,包括items.py和数据保存的pipelines.py里的代码编写和上文中链接里的已解释。

  • 相关阅读:
    二进制兼容
    non-fragile:oc2.0特性--继承结构的父类内存布局变化时子类是否需要重新编译的问题
    [objc explain]: Non-fragile ivars
    函数响应式编程(FRP)思想-Callback风格
    FRP-Functional Reactive Programming-函数响应式编程
    AWESOME SWIFT-swift.libhunt.com-swift类库网站
    iOS
    视图逻辑、应用逻辑、业务逻辑
    laravel微信自定义分享
    实现手机网页调起原生微信朋友圈分享的工具nativeShare.js
  • 原文地址:https://www.cnblogs.com/pythoner6833/p/9031957.html
Copyright © 2020-2023  润新知