Python爬虫---Scrapy框架---CrawlSpider

CrawlSpider

CrawlSpider继承自scrapy.Spider
CrawlSpider可以定义规则，再解析html内容的时候，可以根据链接规则提取出指定的链接，然后再向这些链接发送请求，所以，如果有需要跟进链接的需求，意思就是爬取了网页之后，需要提取链接再次爬取，使用Crawlspider是非常合适的

使用scrapy shell提取：

在命令提示符中输入： scrapy shell https://www.dushu.com/lianzai/1115.html

导入链接提取器：from scrapy.linkextractors import LinkExtractor

allow = () ：正则表达式，提取符合正则的链接

查看连接提取器提取的内容

restrict_xpaths = () ：xpath语法，提取符合xpath规则的链接

查看提取的内容：

restrict_css = () ：提取符合选择器规则的链接

小案例：

创建项目：scrapy startproject 项目名
跳转到spider目录下： cd .\项目名\项目名\spiders\
创建爬虫类：scrapy genspider -t crawl 爬虫文件名要爬取的网页（这里与之前的不一样）
运行：scrapy crawl 爬虫文件名

指定日志等级：（settings.py文件中）
LOG_LEVEL = " DEBUG"

将日志保存在文件中： .log（settings.py文件中）
LOG_FILE = "logdemo.log"

复制代码

callback只能写函数字符串
follow=true 是否跟进 就是按照提取连接规则进行提取

爬虫文件：

python 复制代码

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapy_readbook_20240120.items import ScrapyReadbook20240120Item


class RbookSpider(CrawlSpider):
    name = "rbook"
    allowed_domains = ["www.dushu.com"]
    start_urls = ["https://www.dushu.com/lianzai/1115_1.html"]

    rules = (Rule(LinkExtractor(allow=r"/lianzai/1115_\d+.html"),
                  callback="parse_item",
                  follow=False),
             )

    def parse_item(self, response):
        print("++++++++++++++++++++")
        img_list = response.xpath("//div[@class='bookslist']//img")

        for img in img_list:
            src = img.xpath("./@data-original").extract_first()
            name = img.xpath("./@alt").extract_first()
            book = ScrapyReadbook20240120Item(name=name, src=src)
            yield book

pipelines.py文件

python 复制代码

class ScrapyReadbook20240120Pipeline:

    def open_spider(self, spider):
        self.fp = open("book.json", "w", encoding="utf-8")

    def process_item(self, item, spider):
        self.fp.write(str(item))
        return item

    def close_spider(self, spider):
        self.fp.close()

items.py文件

python 复制代码

import scrapy

class ScrapyReadbook20240120Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()
    src = scrapy.Field()

settings.py文件

python 复制代码

# 开启管道
ITEM_PIPELINES = {
   "scrapy_readbook_20240120.pipelines.ScrapyReadbook20240120Pipeline": 300,
}

保存在数据库中：

创建数据库

create database 数据库名字 charset utf8;

使用数据库

use 数据库名字;

创建表格：例子

create table 表名(

id int primary key auto_increment,

name varchar(128),

src varchar(128)

);

在settings.py 文件中添加 ip地址、端口号、数据库密码、数据库名字、字符集

DB_HOST = "localhost" # ip地址

DB_PORT = 3306 # 端口号，必须是整数

DB_USER = "root" # 数据库用户名

DB_PASSWORD = "123456" # 数据库密码

DB_NAME = "rbook" # 数据库名字

DB_CHARSET = "utf8" # 字符集，不允许写 -

在pipelines管道文件中增加

python 复制代码

# 加载settings文件
from scrapy.utils.project import get_project_settings
import pymysql


class MysqlPipeline:
    def open_spider(self, spider):
        settings = get_project_settings()
        self.host = settings["DB_HOST"]  # ip地址
        self.port = settings["DB_PORT"]  # 端口号
        self.user = settings["DB_USER"]  # 数据库用户名
        self.password = settings["DB_PASSWORD"]  # 数据库密码
        self.name = settings["DB_NAME"]  # 数据库名字
        self.charset = settings["DB_CHARSET"]  # 字符集

        self.connect()

    def connect(self):
        self.conn = pymysql.connect(
            host=self.host,
            port=self.port,
            user=self.user,
            password=self.password,
            db=self.name,
            charset=self.charset
        )
        self.cursor = self.conn.cursor()

    def process_item(self, item, spider):
        sql = "insert into rbook(name,src) values('{}','{}')".format(item["name"], item["src"])
        # 执行sql语句
        self.cursor.execute(sql)
        # 提交sql语句
        self.conn.commit()

        return item

    def close_spider(self, spider):
        # 关闭数据库链接
        self.cursor.close()
        self.conn.close()

settings文件：添加新的管道

python 复制代码

ITEM_PIPELINES = {
   "scrapy_readbook_20240120.pipelines.ScrapyReadbook20240120Pipeline": 300,
   "scrapy_readbook_20240120.pipelines.MysqlPipeline": 301,
}

若要一直下载，把所有数据都下载，则需要把爬虫文件里的follow 的值设为 True

数据库的数据：