Python爬虫之Scrapy框架通用爬虫CrawlSpider

CrawlSpider其实是Spider的一个子类，除了继承到Spider的特性和功能外，还派生除了其自己独有的更加强大的特性和功能。

比如如果你想爬取知乎或者是简书全站的话，CrawlSpider这个强大的武器就可以爬上用场了，说CrawlSpider是为全站爬取而生也不为过。

其中最显著的功能就是”LinkExtractors链接提取器”。Spider是所有爬虫的基类，其设计原则只是为了爬取start_url列表中网页，而从爬取到的网页中提取出的url进行继续的爬取工作使用CrawlSpider更合适。

源码解析

class CrawlSpider(Spider):
  rules = ()
  def __init__(self, *a, **kw):
    super(CrawlSpider, self).__init__(*a, **kw)
    self._compile_rules()

  # 首先调用parse()来处理start_urls中返回的response对象
  # parse()则将这些response对象传递给了_parse_response()函数处理，并设置回调函数为parse_start_url()
  # 设置了跟进标志位True
  # parse将返回item和跟进了的Request对象  
  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

  # 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()
    # 抽取之内的所有链接，只要通过任意一个'规则'，即表示合法
    for n, rule in enumerate(self._rules):
      links = [l for l in rule.link_extractor.extract_links(response) if l not in seen]
      # 使用用户指定的process_links处理每个连接
      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
        r = Request(url=link.url, callback=self._response_downloaded)
        r.meta.update(rule=n, link_text=link.text)
        # 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，会用callback解析处理他，并返回request或Item对象
  def _parse_response(self, response, callback, cb_kwargs, follow=True):
    # 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）
    # 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，
    # 然后再交给process_results处理。返回cb_res的一个列表
    if callback:
      #如果是parse调用的，则会解析成Request对象
      #如果是rule callback，则会解析成Item
      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, basestring):
        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)

  def set_crawler(self, crawler):
    super(CrawlSpider, self).set_crawler(crawler)
    self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)

CrawlSpider除了继承Spider类的属性：name、allow_domains之外，还提供了一个新的属性： rules。它是包含一个或多个 Rule对象的集合。每个 Rule对爬取网站的动作定义了特定规则。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。

CrawlSpider也提供了一个可复写的方法：

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对象或一个 Request对象或者一个可迭代的包含二者的对象。

注意：当编写爬虫规则时，请避免使用 _ parse_作为回调函数。由于 _ CrawlSpider_使用 _ parse_方法来实现其逻辑，如果您覆盖了 _ parse_方法， _ CrawlSpider_将会运行失败。

另外，CrawlSpider还派生了其自己独有的更加强大的特性和功能，最显著的功能就是”LinkExtractors链接提取器”。

LinkExtractor

class scrapy.linkextractors.LinkExtractor

LinkExtractor是从网页（scrapy.http.Response）中抽取会被follow的链接的对象。目的很简单: 提取链接｡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

即Link Extractors要实例化一次，并且 extract_links 方法会根据不同的 response 调用多次提取链接｡

源码如下：

class scrapy.linkextractors.LinkExtractor(
  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。
  deny_extensions = None,
  restrict_xpaths = (), # 使用xpath表达式，和allow共同作用过滤链接
  tags = ('a','area'),
  attrs = ('href'),
  canonicalize = True,
  unique = True,
  process_value = None
)

作用：提取response中符合规则的链接。

参考链接：https://scrapy-chs.readthedocs.io/zh_CN/latest/topics/link-extractors.html

Rule类

LinkExtractor是用来提取的类，但是提取的规则需要通过Rule类实现。Rule类的定义如下：

Original: https://blog.csdn.net/i54996/article/details/120708753
Author: 小小程序员i549
Title: Python爬虫之Scrapy框架通用爬虫CrawlSpider