python爬虫之scrapy 框架学习复习整理三--CrawlSpider（自动提取翻页）

刺骨的言语ヽ痛彻心扉 2023-06-06 03:38 4阅读 0赞

### 文章目录 ###

*  说明：
 *  自动提取下一页：Scrapy中CrawlSpider
 *   *  1、再建立一个爬虫程序：
     *  2、Scrapy中CrawlSpider的几个点：
     *   *  ①、CrawlSpider注意点：
         *  ②、LinkExtractor参数
         *  ③、Rule参数
     *  3、简单修改下爬虫程序scrapyd2.py
     *   *  1、正则匹配需要提取的地址：
         *   *  测试如果正则匹配为空会怎样：
         *  2、xpath匹配需求提取的地址：
         *  3、结论：
     *  4、修改parse\_item
     *  5、修改下管道储存的数据名称（防止和之前的混淆）：
     *  6、运行：scrapy crawl scrayd2：

# 说明： #

这次是接着上一次的爬虫：[python爬虫之scrapy 框架学习复习整理二][python_scrapy]  
进行补充，上一次是自己对响应的页面，进行分析，查找出下一页的地址，使用requests发送请求，解析方法还是parse函数。

这次使用自动从响应页面提取出需要爬取的地址，然后接着再次爬取，直至，提取的地址都爬取完毕。

# 自动提取下一页：Scrapy中CrawlSpider #

## 1、再建立一个爬虫程序： ##

scrapy genspide -t crawl scrapyd2 lab.scrapyd.cn

解释下：**scrapy genspide -t crawl** 是固定格式，后面跟的scrapyd2是程序名字name,后面是允许爬取的域名，后续可以自己增加需要爬取的域名。

执行之后会生成一个scrapyd2.py文件。

![在这里插入图片描述][2019100918040328.png]  
scrapyd2.py文件模板自动生成格式为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70]

## 2、Scrapy中CrawlSpider的几个点： ##

### ①、CrawlSpider注意点： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 1]

### ②、LinkExtractor参数 ###

![在这里插入图片描述][20191009182930608.png]

![在这里插入图片描述][2019100918141412.png]

### ③、Rule参数 ###

![在这里插入图片描述][20191009183024258.png]

![在这里插入图片描述][20191009181522329.png]

## 3、简单修改下爬虫程序scrapyd2.py ##

### 1、正则匹配需要提取的地址： ###

初步修改的完整代码：

# -*- coding: utf-8 -*-
    import scrapy
    from scrapy.linkextractors import LinkExtractor
    from scrapy.spiders import CrawlSpider, Rule
    
    
    class Scrapyd2Spider(CrawlSpider):
        name = 'scrapyd2'
        allowed_domains = ['lab.scrapyd.cn']
        start_urls = ['http://lab.scrapyd.cn/']
    
        rules = (
            Rule(LinkExtractor(allow=r'http://lab.scrapyd.cn/page/\d+/',), callback='parse_item', follow=True),
        )
    
        def parse_item(self, response):
            print("进来了",response.url)
            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

可以看到我只是修改可，rule和parse\_item方法中的打印输出测试：  
allow修改的是一个正则匹配，可以使用正则方法。  
然后可以，执行：

scrapy crawl scrayd2

然后打印出来：

![在这里插入图片描述][20191009182430708.png]

从结果我们可以看出，已经可以提取出翻页的url，并且爬取了翻页的地址。从打印出的翻页地址，可以充分体验出scrapy的爬取是一个异步的，因为我们就这几页的情况下，顺序还是乱序，如果翻页更多的情况下，那么顺序估计更乱。

#### 测试如果正则匹配为空会怎样： ####

![在这里插入图片描述][20191009185303370.png]

结果把所有的都给我匹配到了，只要是允许域名下的地址：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 2]

### 2、xpath匹配需求提取的地址： ###

只是修改了Rule：  
经过我测试之后，发现使用xpath提取发现，’//*\[@id=“main”\]//li\[@class=“next”\]/a’和’//*\[@id=“main”\]//li\[@class=“next”\]'提取的结果是一样的，也就证实了，rule的规则，会把匹配到的HTML页面里面的所有地址，只要是**allowed\_domains** 域名下的所有地址都会提取出来，作为下一个爬取url,放到url队列进行继续爬取。

rules = (
            Rule(LinkExtractor(restrict_xpaths=('//*[@id="main"]//li[@class="next"]/a',), ), callback='parse_item', follow=True),
            # Rule(LinkExtractor(restrict_xpaths=('//*[@id="main"]//li[@class="next"]',), ), callback='parse_item', follow=True),
            # Rule(LinkExtractor(restrict_xpaths=('//*[@id="main"]',), ), callback='parse_item', follow=True),
        )

定位到li和a标签，的结果和正则匹配是一样的。  
![在这里插入图片描述][20191009184316720.png]

处于好奇，我就测试了下，如果定位到href,会怎样，结果报错了。  
‘//\*\[@id=“main”\]//li\[@class=“next”\]/a/@href’  
![在这里插入图片描述][20191009184531998.png]  
报错内容：看了使用xpath最多定位的url的a标签，着上一级的li  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 3]

然后我又尝试了，如果定位到所有li的div会怎样，结果：  
**’//\*\[@id=“main”\]'**  
结果：  
![在这里插入图片描述][20191009184849327.png]  
把div下所有是allowed\_domains域名下的url都匹配过来了，所以，这个不精确的提取不建议使用，这些还是只有自己测试之后才会记得牢（当然时间长了也会忘，没事抽时间复习一下还是很有必要的）。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 4]

### 3、结论： ###

通过使用正则和xpath匹配尝试，得到：

1.  如果使用正则，尽量匹配地址精确点，这样才不会出现页面混乱，不然解析页面是会出问题。
2.  如果使用xpath匹配，进行精确到a标签，或者a标签的父级（如果父级有很多a标签，其他的a标签有些不符合，还是精确到a标签吧）
3.  如果使用xpath匹配，不要匹配到href属性，不然还会报错

## 4、修改parse\_item ##

直接把之前的代码复制过来了，只不过翻页步骤不要了：

def parse_item(self, response):
            print("进来了",response.url)
            # 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
    
            # 1、提取每一页的数据
            div_list = response.xpath('//*[@id="main"]/div[@class="quote post"]')
            for div in div_list:
                # extract_first() 和 get() 返回的结果是一样的。
                text = div.xpath('./span[@class="text"]/text()').get()
                # author = div.xpath('.//*[@class="author"]/text()').extract_first()
                author = div.xpath('.//*[@class="author"]/text()').get()
                url = div.xpath('.//a[contains(text(),"详情")]/@href').get()
                # print("div", text, author, url)
                item = ScrapydCnItem()
                # item = {}
                item['text'] = text
                item['author'] = author
                item['url'] = url
                yield item

## 5、修改下管道储存的数据名称（防止和之前的混淆）： ##

和之前相比：多加了一个2  
![在这里插入图片描述][20191009190256116.png]

## 6、运行：scrapy crawl scrayd2： ##

scrapy crawl scrayd2

打印出来的数据：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 5]

MongoDB保存的数据：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 6]

[python_scrapy]: https://blog.csdn.net/weixin_42081389/article/details/102455273
[2019100918040328.png]: /images/20230601/8a425364b8d443cfb924d30ae15d4c25.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70]: /images/20230601/cc7a8d0726b54f0898bab49c4405192b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 1]: /images/20230601/f147468f78594557bb9d142ee9f16a50.png
[20191009182930608.png]: /images/20230601/63c9660a279442d6a88f931bc8dfb489.png
[2019100918141412.png]: /images/20230601/42394c44d5364b4288ae7eb4aad0fb93.png
[20191009183024258.png]: /images/20230601/2dde36f05f554f3a824ba8ad6562ecff.png
[20191009181522329.png]: /images/20230601/45f8d2e1eaaa4118b126a8e84eccb8a4.png
[20191009182430708.png]: /images/20230601/6a9e59bd9f9b443b86e8ecb7b2024d7c.png
[20191009185303370.png]: /images/20230601/e1f4f0a7636f4cb9b19fe32ed332e07d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 2]: /images/20230601/62a9b2d7c5244c54af91166a801b6d08.png
[20191009184316720.png]: /images/20230601/67f7e3ab01934355a6a7e8bd072ddcf9.png
[20191009184531998.png]: /images/20230601/4bac67bb44c4443d95e38658e3d2d4e9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 3]: /images/20230601/e08fd162af9c4adf8731d2a83c837389.png
[20191009184849327.png]: /images/20230601/bea2443dcdd6479b8de449cf45a44a79.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 4]: /images/20230601/b835d3acad764070831bf378ae2b6c56.png
[20191009190256116.png]: /images/20230601/107b299a9b7c4dea9a746e1914508852.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 5]: /images/20230601/6b9441d1c75a4bd3995ab4d4eeb8f266.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 6]: /images/20230601/cd8cf58f8cd94a378216431b75538244.png