Scrapy-CrawlSpider爬虫组件

      python是一门伟大的语言，python的世界里有很多优秀的开源库，今天要解析的开源库是刚刚接触不久的Scrapy--

开源爬虫库。

      Scrapy可能对很多人都是一个比较陌生的开源爬虫库,网上的资料也比较少，我也是最近才发现并决定学习使用的。

Scrapy整体框架实现上与Django框架原理很相似，两者都强调松耦合，高度的抽象使编程简单、简洁化，与python设计

理念是一致的，可惜我没有参透python的禅宗，下来主要分析一下Scrapy中的CrawlSpider爬虫组件。

 

       CrawlSpider是一个比较有用的组件，其通过正则表达匹配对应url并爬取，通过Xpath解析网页内容，再在新页面

抽取url继续爬取。CrawlSpider派生自InitSpider派生自BaseSpider(最基本爬虫组件).

       CrawlSpider主要通过Rule类进行正则表达式的设定，设定相应的回调函数等.......

       Rule类如下：

       class Rule(object): def __init__(self, link_extractor, callback=None, cb_kwargs=None, follow=None, process_links=None): self.link_extractor = link_extractor self.callback = callback self.cb_kwargs = cb_kwargs or {} self.process_links = process_links if follow is None: self.follow = False if callback else True else: self.follow = follow

参数：link_extractor 一个url抽取器对象，通过它设定正则，允许匹配什么类型的url，不匹配那些都可以通过它设定

         callback 回调函数可传函数的对象或者函数字符串表现形式，此回调函数主要处理抓取到的数据到Item对象

                      函数形式为：def 函数名(self,response[,**cb_kwargs])

         cb_kwargs 回调函数参数 字典类型

         follow 是否继续爬取，true 继续爬取，false 到此停止

         process_link 是一个可选的回调函数，接受一个list参数(list元素是通过正则匹配返回url列表)，此函数为什么

可选？主要是处理例如：list 参数里元素url是相对路径，可通过此回调处理加上域名形成一个完整的URL。反正是对路

径做一些附加处理。

        CrawlSpider:

       CrawlSpider类通过parse函数解析response

          def parse(self, response): return self._response_downloaded(response, self.parse_start_url, cb_kwargs={}, follow=True)

         parse 函数调用 _response_downloaded函数并返回，返回类型必须是Item 或 Request 对象的列表，这是

Scrapy 规定的。再看看_response_downloaded函数

 

def _response_downloaded(self, response, callback, cb_kwargs, follow): if callback: cb_res = callback(response, **cb_kwargs) or () cb_res = self.process_results(response, cb_res) for requests_or_item in iterate_spider_output(cb_res): yield requests_or_item if follow and settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True): for request_or_item in self._requests_to_follow(response): yield request_or_item

函数表达的意思为：

    调用callback回调函数(如果callback实例函数有效),否则返回()空元组，callback返回的是item或Request对象list

一开始回调函数为parse_start_url 函数，如果不重写此函数相当于种子页面不处理。默认返回空list

    调用process_results函数，此函数可重写，如果不重写，返回的是callback返回值(这里要慢慢看代码体会)

 

   接下来通过follow判断完成通过正则抽取的URL的爬取，此时调用_requests_to_follow函数

   def _requests_to_follow(self, response): seen = set() for rule in self._rules: links = [l for l in rule.link_extractor.extract_links(response) if l not in seen] if links and rule.process_links: links = rule.process_links(links) seen = seen.union(links) for link in links: r = Request(url=link.url) r.meta['link_text'] = link.text r.deferred.addCallback(self._response_downloaded, rule.callback, cb_kwargs=rule.cb_kwargs, follow=rule.follow) yield r

 

通过response参数传进当前页面信息，

     seen = set()  防止正则抽取到一样的路径

     循环通过对rule对象设置进行正则抽取，并过滤重复的url，接着通过process_links函数(前面提到的URL加工函数)

如果该函数对象实例存在。

     通过links 列表循环调用Request对象进行进一步抓取。通过ddCallback(self._response_downloaded, rule.callback, cb_kwargs=rule.cb_kwargs, follow=rule.follow)设回调，self._response_downloaded为回调函数。