目录Python全系列 教程
3567个小节阅读：5931.3k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
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。运行图如下
xxxxxxxxxxscrapy genspider -t crawl 爬虫名 (allowed_url)Rule类与CrawlSpider类都位于scrapy.contrib.spiders模块中
xxxxxxxxxxclass 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
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
xxxxxxxxxxclass 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)主要参数：
首先运行
xxxxxxxxxxscrapy shell 'https://www.zhhbqg.com/1_1852/835564.html'继续import相关模块：
xxxxxxxxxxfrom scrapy.linkextractors import LinkExtractor提取当前网页中获得的链接
xxxxxxxxxxlink = LinkExtractor(restrict_xpaths=(r'//a'))调用LinkExtractor实例的extract_links()方法查询匹配结果
xxxxxxxxxx link.extract_links(response)xxxxxxxxxxfrom scrapy.linkextractors import LinkExtractorfrom scrapy.spiders import CrawlSpider, Rulefrom xiaoshuo.items import XiaoshuoItem
class XiaoshuoSpiderSpider(CrawlSpider): name = 'xiaoshuo_spider' allowed_domains = ['fhxiaoshuo.com'] start_urls = ['http://www.fhxiaoshuo.com/read/33/33539/17829387.shtml']
rules = [ Rule(LinkExtractor(restrict_xpaths=(r'//div[@class="bottem"]/a[4]')), callback='parse_item'),]
def parse_item(self, response): info = response.xpath("//div[@id='TXT']/text()").extract() it = XiaoshuoItem() it['info'] = info yield it
注意
- 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
实时效果反馈
1. 关于Scrapy, CrawlSpider说法错误的是？
A 用于设置爬取URL与提取数据
B 解析的函数不能使用parse
C 使用rules参数来定义提取url的规则
D 使用LinkExtractor设置提取url的规则
答案
1=>B