一：Crawlspider簡介

　　　　CrawlSpider其實是Spider的一個子類，除了繼承到Spider的特性和功能外，還派生除了其自己獨有的更加強大的特性和功能。其中最顯著的功能就是”LinkExtractors鏈接提取器“。Spider是所有爬蟲的基類，其設計原則只是為了爬取start_url列表中網頁，而從爬取到的網頁中提取出的url進行繼續的爬取工作使用CrawlSpider更合適。

二：Crawlspider使用

實例：爬取https://www.qiushibaike.com/主頁帖子作者以及內容

1.創建scrapy工程

2.創建爬蟲文件

註意：對比以前的指令多了 "-t crawl

3.生成的目錄結構如下：

CrawlDemo.py爬蟲文件設置：

　　LinkExtractor：顧名思義，鏈接提取器。
　　Rule : 規則解析器。根據鏈接提取器中提取到的鏈接，根據指定規則提取解析器鏈接網頁中的內容。

　　Rule參數介紹：

　　　　參數1：指定鏈接提取器

　　　　參數2：指定規則解析器解析數據的規則（回調函數）

　　　　參數3：是否將鏈接提取器繼續作用到鏈接提取器提取出的鏈接網頁中，當callback為None,參數3的默認值為true。

　　rules=( ):指定不同規則解析器。一個Rule對象表示一種提取規則。

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

from crawlPro.items import CrawlproItem
class CrawldemoSpider(CrawlSpider):
    name = ‘crawlDemo‘
    # allowed_domains = [‘www.qiushibaike.com‘]
    start_urls = [‘
 
http://www.qiushibaike.com/‘]
    #rules元祖中存放的是不同規則解析器（封裝好了某種解析規則）
    rules = (
        # Rule: 規則解析器，可以將連接提取器提取到的所有連接表示的頁面進行指定規則（有中間的回調函數決定）的解析
        #LinkBxtractor:連接提取器，會去上面起始url響應回來的頁面中，提取指定的url
        Rule(LinkExtractor(allow=r‘/8hr/page/\d+‘), callback=‘parse_item‘, follow=True), #follow=True可以跟進保證將所有頁面都提取出來（實際就是去重功能）
    )

    def parse_item(self, response):
        # i = {}
        # #i[‘domain_id‘] = response.xpath(‘//input[@id="sid"]/@value‘).extract()
        # #i[‘name‘] = response.xpath(‘//div[@id="name"]‘).extract()
        # #i[‘description‘] = response.xpath(‘//div[@id="description"]‘).extract()
        # return i
        divs=response.xpath(‘//div[@id="content-left"]/div‘)
        for div in divs:
            item=CrawlproItem()
            #提取糗百中段子的作者
            item[‘author‘] = div.xpath(‘./div[@class="author clearfix"]/a[2]/h2/text()‘).extract_first().strip(‘\n‘)
            # 提取糗百中段子的內容
            item[‘content‘] = div.xpath(‘.//div[@class="content"]/span/text()‘).extract_first().strip(‘\n‘)

            yield item  #將item提交到管道

item.py文件設置：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class CrawlproItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    author=scrapy.Field()
    content=scrapy.Field()

pipelines.py管道文件設置：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don‘t forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html


class CrawlproPipeline(object):
    def __init__(self):
        self.fp = None


    def open_spider(self,spider):
        print(‘開始爬蟲‘)
        self.fp = open(‘./data.txt‘,‘w‘,encoding=‘utf-8‘)

    def process_item(self, item, spider):
        # 將爬蟲文件提交的item寫入文件進行持久化存儲
        self.fp.write(item[‘author‘]+‘:‘+item[‘content‘]+‘\n‘)
        return item

    def close_spider(self,spider):
        print(‘結束爬蟲‘)
        self.fp.close()

爬蟲Scrapy框架-Crawlspider鏈接提取器與規則解析器