一、CrawlSpider类介绍
1.1 引入
使用scrapy框架进行全站数据爬取可以基于Spider类,也可以使用接下来用到的CrawlSpider类。基于Spider类的全站数据爬取之前举过栗子,感兴趣的可以康康
scrapy基于CrawlSpider类的全站数据爬取
1.2 介绍和使用
1.2.1 介绍
CrawlSpider
是Spider的一个子类,因此CrawlSpider
除了继承Spider的特性和功能外,还有自己特有的功能,主要用到的是 LinkExtractor()
和rules = (Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),)
LinkExtractor()
:链接提取器
LinkExtractor()
接受response对象,并根据allow
对应的正则表达式提取响应对象中的链接
link = LinkExtractor( # Items只能是一个正则表达式,会提取当前页面中满足该"正则表达式"的url allow=r'Items/' )
rules = (Rule(link, callback='parse_item', follow=True),)
:规则解析器
按照指定规则从链接提取器中提取到的链接中解析网页数据
link:是一个LinkExtractor()对象,指定链接提取器
callback:回调函数,指定规则解析器(解析方法)解析数据
follow:是否将链接提取器继续作用到链接提取器提取出的链接网页中
import scrapy # 导入相关的包 from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule class TextSpider(CrawlSpider): name = 'text' allowed_domains = ['www.xxx.com'] start_urls = ['http://www.xxx.com/'] # 链接提取器,从接受到的response对象中,根据item正则表达式提取页面中的链接 link = LinkExtractor(allow=r'Items/') link2 = LinkExtractor(allow=r'Items/') # 规则解析器,根据callback将链接提取器提取到的链接进行数据解析 # follow为true,则表示将链接提取器继续作用到链接提取器所提取到的链接页面中 # 故:在我们提取多页数据时,若第一页对应的网页中包含了第2,3,4,5页的链接, # 当跳转到第5页时,第5页又包含了第6,7,8,9页的链接, # 令follow=True,就可以持续作用,从而提取到所有页面的链接 rules = (Rule(link, callback='parse_item', follow=True), Rule(link2,callback='parse_content',follow=False)) # 链接提取器link使用parse_item解析数据 def parse_item(self, response): item = {} yield item # 链接提取器link2使用parse_content解析数据 def parse_content(self, response): item = {} yield item
1.2.2 使用
创建爬虫文件:除了创建爬虫文件不同外,创建项目和运行爬虫使用的命令和基于Spider类使用的命令相同
scrapy genspider crawl -t spiderName www.xxx.com
二、案例:古诗文网全站数据爬取
爬取古诗文网首页古诗的标题,以及每一首诗详情页古诗的标题和内容。
最后将从详情页提取到的古诗标题和内容进行持久化存储
2.1 爬虫文件
import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule from gushiPro.items import GushiproItem,ContentItem class GushiSpider(CrawlSpider): name = 'gushi' #allowed_domains = ['www.xxx.com'] start_urls = ['https://www.gushiwen.org/'] # 链接提取器:只能使用正则表达式,提取当前页面的满足allow条件的链接 link = LinkExtractor(allow=r'/default_\d+\.aspx') # 链接提取器,提取所有标题对应的详情页url content_link = LinkExtractor(allow=r'cn/shiwenv_\w+\.aspx') rules = ( # 规则解析器,需要解析所有的页面,所有follow=True Rule(link, callback='parse_item', follow=True), # 不需要写follow,因为我们只需要解析详情页中的数据,而不是详情页中的url Rule(content_link, callback='content_item'), ) # 解析当前页面的标题 def parse_item(self, response): p_list = response.xpath('//div[@class="sons"]/div[1]/p[1]') for p in p_list: title = p.xpath('./a//text()').extract_first() item = GushiproItem() item['title'] = title yield item # 解析详情页面的标题和内容 def content_item(self,response): # //div[@id="sonsyuanwen"]/div[@class="cont"]/div[@class="contson"] # 解析详情页面的内容 content = response.xpath('//div[@id="sonsyuanwen"]/div[@class="cont"]/div[@class="contson"]//text()').extract() content = "".join(content) # # 解析详情页面的标题 title = response.xpath('//div[@id="sonsyuanwen"]/div[@class="cont"]/h1/text()').extract_first() # print("title:"+title+"\ncontent:"+content) item = ContentItem() item["content"] = content item["title"] = title # 将itme对象传给管道 yield item
2.2 item文件
import scrapy # 不同的item类是独立的,他们可以创建不同的item对象 class GushiproItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() class ContentItem(scrapy.Item): title = scrapy.Field() content = scrapy.Field()
2.3 管道文件
from itemadapter import ItemAdapter class GushiproPipeline: def __init__(self): self.fp = None def open_spider(self,spider): self.fp = open("gushi.txt",'w',encoding='utf-8') print("开始爬虫") def process_item(self, item, spider): # 从详情页获取标题和内容,所以需要判断爬虫文件中传来的item是什么类的item # item.__class__.__name__判断属于什么类型的item if item.__class__.__name__ == "ContentItem": content = "《"+item['title']+"》",item['content'] content = "".join(content) print(content) self.fp.write(content) return item def close_spider(self,spider): self.fp.close() print("结束爬虫")
2.4 配置文件
2.5 输出结果
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
《魔兽世界》大逃杀!60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容,新游玩模式《强袭风暴》即将于3月21 日在亚服上线,届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕,并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时,他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中,玩家将会进入一个全新的海盗主题大逃杀式限时活动,其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场,作为一个独立于主游戏之外的活动,玩家可以用大逃杀的风格来体验《魔兽世界》,不分职业、不分装备(除了你在赛局中捡到的),光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式,玩家在加入海盗主题的预赛大厅区域前,可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹,《巨龙崛起》和《魔兽世界:巫妖王之怒 经典版》的玩家都可以获得奖励。
更新日志
- 凤飞飞《我们的主题曲》飞跃制作[正版原抓WAV+CUE]
- 刘嘉亮《亮情歌2》[WAV+CUE][1G]
- 红馆40·谭咏麟《歌者恋歌浓情30年演唱会》3CD[低速原抓WAV+CUE][1.8G]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[320K/MP3][193.25MB]
- 【轻音乐】曼托凡尼乐团《精选辑》2CD.1998[FLAC+CUE整轨]
- 邝美云《心中有爱》1989年香港DMIJP版1MTO东芝首版[WAV+CUE]
- 群星《情叹-发烧女声DSD》天籁女声发烧碟[WAV+CUE]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[FLAC/分轨][748.03MB]
- 理想混蛋《Origin Sessions》[320K/MP3][37.47MB]
- 公馆青少年《我其实一点都不酷》[320K/MP3][78.78MB]
- 群星《情叹-发烧男声DSD》最值得珍藏的完美男声[WAV+CUE]
- 群星《国韵飘香·贵妃醉酒HQCD黑胶王》2CD[WAV]
- 卫兰《DAUGHTER》【低速原抓WAV+CUE】
- 公馆青少年《我其实一点都不酷》[FLAC/分轨][398.22MB]
- ZWEI《迟暮的花 (Explicit)》[320K/MP3][57.16MB]