Scrapy基础——CrawlSpider详解

1 写在前面
2 简要说明
3 CrawlSpider介绍及主要函数讲解
4 问题：CrawlSpider如何工作的？
5 问题：CrawlSpider如何获取rules？
6 有callback的是由指定的函数处理，没有callback的是由哪个函数处理的？
7 如何在CrawlSpider进行模拟登陆
8 数据流程图
9 源码分析

文章目录[隐藏]

写在前面
简要说明
CrawlSpider介绍及主要函数讲解
问题：CrawlSpider如何工作的？
问题：CrawlSpider如何获取rules？
有callback的是由指定的函数处理，没有callback的是由哪个函数处理的？
如何在CrawlSpider进行模拟登陆
数据流程图
源码分析

写在前面

在Scrapy基础——Spider中，我简要地说了一下Spider类。Spider基本上能做很多事情了，但是如果你想爬取知乎或者是简书全站的话，你可能需要一个更强大的武器。
CrawlSpider基于Spider，但是可以说是为全站爬取而生。

简要说明

CrawlSpider是爬取那些具有一定规则网站的常用的爬虫，它基于Spider并有一些独特属性

rules: 是Rule对象的集合，用于匹配目标网站并排除干扰
parse_start_url: 用于爬取起始响应，必须要返回Item，Request中的一个。

因为rules是Rule对象的集合，所以这里也要介绍一下Rule。它有几个参数：link_extractor、callback=None、cb_kwargs=None、follow=None、process_links=None、process_request=None
其中的link_extractor既可以自己定义，也可以使用已有LinkExtractor类，主要参数为：

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。还有一个类似的restrict_css

下面是官方提供的例子，我将从源代码的角度开始解读一些常见问题：

import scrapy

from scrapy.spiders import CrawlSpider, Rule

from scrapy.linkextractors import LinkExtractor

class MySpider(CrawlSpider):

name = 'example.com'

allowed_domains = ['example.com']

start_urls = ['http://www.example.com']

rules = (

# Extract links matching 'category.php' (but not matching 'subsection.php')

# and follow links from them (since no callback means follow=True by default).

Rule(LinkExtractor(allow=('category\.php', ), deny=('subsection\.php', ))),

# Extract links matching 'item.php' and parse them with the spider's method parse_item

Rule(LinkExtractor(allow=('item\.php', )), callback='parse_item'),

)

def parse_item(self, response):

self.logger.info('Hi, this is an item page! %s', response.url)

item = scrapy.Item()

item['id'] = response.xpath('//td[@id="item_id"]/text()').re(r'ID: (\d+)')

item['name'] = response.xpath('//td[@id="item_name"]/text()').extract()

item['description'] = response.xpath('//td[@id="item_description"]/text()').extract()

return item

CrawlSpider介绍及主要函数讲解

CrawlSpider是爬取一般网站常用的spider。它定义了一些规则（rule）来提供跟进link的方便的机制。也许这个spider并不是完全适合特定网站或项目，但它对很多情况都使用。
因此我们可以在它的基础上，根据需求修改部分方法。当然我们也可以实现自己的spider。除了从Spider继承过来的（必须提供的）属性外，它还提供了一个新的属性:

1）rules

一个包含一个（或多个）Rule对象的集合（list）。每个Rule对爬取网站的动作定义了特定表现。如果多个Rule匹配了相同的链接，则根据他们在本属性中被定义的顺序，第一个会被使用。
使用方式案例如下：

rules = (

# 提取匹配 'category.php' (但不匹配 'subsection.php') 的链接并跟进链接(没有callback意味着follow默认为True)

Rule(LinkExtractor(allow=('category\.php', ), deny=('subsection\.php', ))),

# 提取匹配 'item.php' 的链接并使用spider的parse_item方法进行分析

Rule(LinkExtractor(allow=('item\.php', )), callback='parse_item', follow=True),

)

2）parse_start_url(response)

当start_url的请求返回时，该方法被调用。该方法分析最初的返回值并必须返回一个Item对象或者一个Request对象或者一个可迭代的包含二者对象。
该spider方法需要用户自己重写。

1 2	def parse_start_url(self, response): return []

3）parse()，一定不要重写这个方法

通过上面的介绍，我们知道Spider中的parse()方法是需要我们重写的，如下：

1 2	def parse(self, response): raise NotImplementedError

但是，CrawlSpider中的parse()方法在源码中已经实现了一些功能，如下：

1 2	def parse(self, response): return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)

所以我们在使用CrawlSpider时，一定一定不要去重写parse()函数（重点）。可以使用Rule(LinkExtractor(allow=('item\.php', )), callback='parse_item', follow=True)中的callback去指定需要跳转的parse。
例如我们在讲解简书全站爬取的时候使用方法，如下：

class JianshuCrawl(CrawlSpider):

name = "jianshu_spider_crawl"

# 可选，加上会有一个爬取的范围

allowed_domains = ["jianshu.com"]

start_urls = ['https://www.jianshu.com/']

# response中提取链接的匹配规则，得出符合条件的链接

pattern = '.*jianshu.com/u/*.'

pagelink = LinkExtractor(allow=pattern)

# 可以写多个rule规则

rules = [

# 只要符合匹配规则，在rule中都会发送请求，同时调用回调函数处理响应。

# rule就是批量处理请求。

Rule(pagelink, callback='parse_item', follow=True),

]

# 不能写parse方法，因为源码中已经有了，会覆盖导致程序不能跑

def parse_item(self, response):

for each in response.xpath("//div[@class='main-top']"):

......

callback='parse_item'（这里的parse_item是字符串）指定了跳转的函数def parse_item(self, response)。

问题：CrawlSpider如何工作的？

因为CrawlSpider继承了Spider，所以具有Spider的所有函数。
首先由start_requests对start_urls中的每一个url发起请求（make_requests_from_url)，这个请求会被parse接收。在Spider里面的parse需要我们定义，但CrawlSpider定义parse去解析响应（self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)）
_parse_response根据有无callback,follow和self.follow_links执行不同的操作

def _parse_response(self, response, callback, cb_kwargs, follow=True):

##如果传入了callback，使用这个callback解析页面并获取解析得到的reques或item

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

## 其次判断有无follow，用_requests_to_follow解析响应是否有符合要求的link。

if follow and self._follow_links:

for request_or_item in self._requests_to_follow(response):

yield request_or_item

其中_requests_to_follow又会获取link_extractor（这个是我们传入的LinkExtractor）解析页面得到的link（link_extractor.extract_links(response)）,对url进行加工（process_links，需要自定义），对符合的link发起Request。使用.process_request(需要自定义）处理响应。

问题：CrawlSpider如何获取rules？

CrawlSpider类会在__init__方法中调用_compile_rules方法，然后在其中浅拷贝rules中的各个Rule获取要用于回调(callback)，要进行处理的链接（process_links）和要进行的处理请求（process_request)

def _compile_rules(self):

def get_method(method):

if callable(method):

return method

elif isinstance(method, six.string_types):

return getattr(self, method, None)

self._rules = [copy.copy(r) for r in self.rules]

for rule in self._rules:

rule.callback = get_method(rule.callback)

rule.process_links = get_method(rule.process_links)

rule.process_request = get_method(rule.process_request)

那么Rule是怎么样定义的呢？

class Rule(object):

def __init__(self, link_extractor, callback=None, cb_kwargs=None, follow=None, process_links=None, process_request=identity):

self.link_extractor = link_extractor

self.callback = callback

self.cb_kwargs = cb_kwargs or {}

self.process_links = process_links

self.process_request = process_request

if follow is None:

self.follow = False if callback else True

else:

self.follow = follow

因此LinkExtractor会传给link_extractor。

有callback的是由指定的函数处理，没有callback的是由哪个函数处理的？

由上面的讲解可以发现_parse_response会处理有callback的（响应）respons。
cb_res = callback(response, **cb_kwargs) or ()
而_requests_to_follow会将self._response_downloaded传给callback用于对页面中匹配的url发起请求（request）。
r = Request(url=link.url, callback=self._response_downloaded)

如何在CrawlSpider进行模拟登陆

因为CrawlSpider和Spider一样，都要使用start_requests发起请求，用从Andrew_liu大神借鉴的代码说明如何模拟登陆：

##替换原来的start_requests，callback为

def start_requests(self):

return [Request("http://www.zhihu.com/#signin", meta = {'cookiejar' : 1}, callback = self.post_login)]

def post_login(self, response):

print 'Preparing login'

#下面这句话用于抓取请求网页后返回网页中的_xsrf字段的文字, 用于成功提交表单

xsrf = Selector(response).xpath('//input[@name="_xsrf"]/@value').extract()[0]

print xsrf

#FormRequeset.from_response是Scrapy提供的一个函数, 用于post表单

#登陆成功后, 会调用after_login回调函数

return [FormRequest.from_response(response, #"http://www.zhihu.com/login",

meta = {'cookiejar' : response.meta['cookiejar']},

headers = self.headers,

formdata = {

'_xsrf': xsrf,

'email': '1527927373@qq.com',

'password': '321324jia'

callback = self.after_login,

dont_filter = True

)]

#make_requests_from_url会调用parse，就可以与CrawlSpider的parse进行衔接了

def after_login(self, response) :

for url in self.start_urls :

yield self.make_requests_from_url(url)

数据流程图

源码分析

最后贴上Scrapy.spiders.CrawlSpider的源代码，以便检查

class CrawlSpider(Spider):

rules = ()

def __init__(self, *a, **kw):

super(CrawlSpider, self).__init__(*a, **kw)

self._compile_rules()

#1、首先调用parse()方法来处理start_urls中返回的response对象。

#2、parse()将这些response对象传递给了_parse_response()函数处理，并设置回调函数为parse_start_url()。

#3、设置了跟进标志位True，即follow=True。

#4、返回response。

def parse(self, response):

return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)

#处理start_url中返回的response，需要重写。

def parse_start_url(self, response):

return []

def process_results(self, response, results):

return results

def _build_request(self, rule, link):

#构造Request对象，并将Rule规则中定义的回调函数作为这个Request对象的回调函数。这个‘_build_request’函数在下面调用。

r = Request(url=link.url, callback=self._response_downloaded)

r.meta.update(rule=rule, link_text=link.text)

return r

#从response中抽取符合任一用户定义'规则'的链接，并构造成Resquest对象返回。

def _requests_to_follow(self, response):

if not isinstance(response, HtmlResponse):

return

seen = set()

#抽取所有链接，只要通过任意一个'规则'，即表示合法。

for n, rule in enumerate(self._rules):

links = [lnk for lnk in rule.link_extractor.extract_links(response)

if lnk not in seen]

if links and rule.process_links:

links = rule.process_links(links)

#将链接加入seen集合，为每个链接生成Request对象，并设置回调函数为_repsonse_downloaded()。

for link in links:

seen.add(link)

#构造Request对象，并将Rule规则中定义的回调函数作为这个Request对象的回调函数。这个‘_build_request’函数在上面定义。

r = self._build_request(n, link)

#对每个Request调用process_request()函数。该函数默认为indentify，即不做任何处理，直接返回该Request。

yield rule.process_request(r)

#处理通过rule提取出的连接，并返回item以及request。

def _response_downloaded(self, response):

rule = self._rules[response.meta['rule']]

return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)

#解析response对象，使用callback解析处理他，并返回request或Item对象。

def _parse_response(self, response, callback, cb_kwargs, follow=True):

#1、首先判断是否设置了回调函数。（该回调函数可能是rule中的解析函数，也可能是 parse_start_url函数）

#2、如果设置了回调函数（parse_start_url()），那么首先用parse_start_url()处理response对象，

#3、然后再交给process_results处理。返回cb_res的一个列表。

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

#如果需要跟进，那么使用定义的Rule规则提取并返回这些Request对象。

if follow and self._follow_links:

#返回每个Request对象。

for request_or_item in self._requests_to_follow(response):

yield request_or_item

def _compile_rules(self):

def get_method(method):

if callable(method):

return method

elif isinstance(method, six.string_types):

return getattr(self, method, None)

self._rules = [copy.copy(r) for r in self.rules]

for rule in self._rules:

rule.callback = get_method(rule.callback)

rule.process_links = get_method(rule.process_links)

rule.process_request = get_method(rule.process_request)

@classmethod

def from_crawler(cls, crawler, *args, **kwargs):

spider = super(CrawlSpider, cls).from_crawler(crawler, *args, **kwargs)

spider._follow_links = crawler.settings.getbool(

'CRAWLSPIDER_FOLLOW_LINKS', True)

return spider

def set_crawler(self, crawler):

super(CrawlSpider, self).set_crawler(crawler)

self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)

文章 Scrapy基础——CrawlSpider详解转载需要注明出处