Python----Python爬虫（Scrapy的应用：CrawlSpider 使用，爬取小说，CrawlSpider版）

一、CrawlSpider 使用

1.1、CrawlSpider

CrawSpiders 是 Scrapy 框架中的一个特殊爬虫类，它用于处理需要跟随链接并抓取多个页面的情况。相比于基本的 Spider 类，CrawSpiders 提供了一个更灵活、更强大的方式来定义爬取规则。
在Scrapy中Spider是所有爬虫的基类，而CrawSpiders就是Spider的派生类。

适用于先爬取start_url列表中的网页，再从爬取的网页中获取link并继续爬取的工作

1.2、使用 CrawlSpider 的基本步骤

定义爬虫类：从 CrawlSpider 继承并定义爬虫类。

设置起始 URL：通过 start_urls 属性定义要开始爬取的 URL。

定义解析规则：通过 rules 属性设置爬取规则，这通常包括为页面提取数据和跟随链接的规则。
创建CrawlSpider

scrapy genspider -t crawl 爬虫名 (allowed_url)

1.3、使用CrawlSpider中核心的2个类对象

1.3.1、Rule对象

Rule类与CrawlSpider类都位于scrapy.contrib.spiders模块中

class scrapy.contrib.spiders.Rule( 
    link_extractor,         
    callback=None,
    cb_kwargs=None,
    follow=None,
    process_links=None,
    process_request=None) 

参数含义：

link_extractor为LinkExtractor，用于定义需要提取的链接

callback参数：当link_extractor获取到链接时参数所指定的值作为回调函数

注意 回调函数尽量不要用parse方法，crawlspider已使用了parse方法

follow：指定了根据该规则从response提取的链接是否需要跟进。当callback为None,默认值为True

process_links：主要用来过滤由link_extractor获取到的链接

process_request：主要用来过滤在rule中提取到的request

1.3.2、LinkExtractors

顾名思义，链接提取器
response对象中获取链接，并且该链接会被接下来爬取 每个LinkExtractor有唯一的公共方法是 extract_links()，它接收一个 Response 对象，并返回一个 scrapy.link.Link 对象

class scrapy.linkextractors.LinkExtractor(
  allow = (),
  deny = (),
  allow_domains = (),
  deny_domains = (),
  deny_extensions = None,
  restrict_xpaths = (),
  tags = ('a','area'),
  attrs = ('href'),
  canonicalize = True,
  unique = True,
  process_value = None
)

• allow：满足括号中"正则表达式"的值会被提取，如果为空，则全部匹配。

• deny：与这个正则表达式(或正则表达式列表)不匹配的URL一定不提取。

• allow_domains：会被提取的链接的domains。

• deny_domains：一定不会被提取链接的domains。

• restrict_xpaths：使用xpath表达式，和allow共同作用过滤链接(只选到节点，不选到属性)

• restrict_css：使用css表达式，和allow共同作用过滤链接(只选到节点，不选到属性)

1.4、shell中验证

首先运行

scrapy shell 'https://www.52wx.com/335_335954/131105239.html'

继续import相关模块：

from scrapy.linkextractors import LinkExtractor

提取当前网页中获得的链接

link = LinkExtractor(restrict_xpaths=(r'//div[@class="section-opt m-bottom-opt"]/a[3]'))

调用LinkExtractor实例的extract_links()方法查询匹配结果

 link.extract_links(response)

• callback后面函数名用引号引起
• 函数名不要用parse
• 参数的括号嵌套，不要出问题

二、Scrapy爬取小说--普通版

spider

import scrapy


class XiaoshuoSpider(scrapy.Spider):
    name = "xiaoshuo"
    allowed_domains = ["52wx.com"]
    start_urls = ["https://www.52wx.com/335_335954/131105239.html"]

    def parse(self, response):
        name=response.xpath('//div[@class="reader-main"]/h1/text()').get()
        new_url=response.xpath('//div[@class="section-opt m-bottom-opt"]/a[3]/@href').get()
        content=response.xpath('//div[@class="content"]/text()').extract()
        yield{
            'name':name,
            'content':content
        }
        next_url='https://www.52wx.com/335_335954/'+new_url
        yield scrapy.Request(next_url,callback=self.parse)

pipeline

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter


class Scrapy03Pipeline:
    def open_spider(self,spider):
        self.file=open('xiaoshuo.txt','w',encoding='utf-8')
    def process_item(self, item, spider):
        self.file.write(item['name']+'\n')
        self.file.write(''.join(item['content']).replace('\r\n',''))
    def close_spider(self,spider):
        self.file.close()

settings.py

三、Scrapy爬取小说--CrawlSpider版

spider

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class XsSpider(CrawlSpider):
    name = "xs"
    allowed_domains = ["52wx.com"]
    start_urls = ["https://www.52wx.com/335_335954/"]

    rules = (
        Rule(LinkExtractor(restrict_xpaths=('//div[@class="section-box"][2]/ul/li/a[1]')), callback="parse_item", follow=True),
        Rule(LinkExtractor(restrict_xpaths=('//div[@class="section-opt m-bottom-opt"]/a[3]')), callback="parse_item", follow=True),
        )

    def parse_item(self, response):
        name=response.xpath('//div[@class="reader-main"]/h1/text()').get()
        content=response.xpath('//div[@class="content"]/text()').extract()
        print(content)
        yield{
            'name':name,
            'content':content
        }

pipeline

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter


class Scrapy03Pipeline:
    def open_spider(self,spider):
        self.file=open('xiaoshuo.txt','w',encoding='utf-8')
    def process_item(self, item, spider):
        self.file.write(item['name']+'\n')
        self.file.write(''.join(item['content']).replace('\r\n',''))
    def close_spider(self,spider):
        self.file.close()

settings.py

四、思维导图