Python 爬虫 - Scrapy框架原理

Python 爬虫包含两个重要的部分：正则表达式和Scrapy框架的运用，正则表达式对于所有语言都是通用的，网络上可以找到各种资源。

如下是手绘Scrapy框架原理图，帮助理解

如下是一段运用Scrapy创建的spider：使用了内置的crawl模板，以利用Scrapy库的CrawlSpider。相对于简单的爬取爬虫来说，Scrapy的CrawlSpider拥有一些网络爬取时可用的特殊属性和方法：

$ scrapy genspider country_or_district example.python-scrapying.com--template=crawl

运行genspider命令后，下面的代码将会在example/spiders/country_or_district.py中自动生成。

 1 # -*- coding: utf-8 -*-
 2 import scrapy
 3 from scrapy.linkextractors import LinkExtractor
 4 from scrapy.spiders import CrawlSpider, Rule
 5 from example.items import CountryOrDistrictItem
 6 
 7 
 8 class CountryOrDistrictSpider(CrawlSpider):
 9     name = 'country_or_district'
10     allowed_domains = ['example.python-scraping.com']
11     start_urls = ['http://example.python-scraping.com/']
12 
13     rules = (
14         Rule(LinkExtractor(allow=r'/index/', deny=r'/user/'),
15              follow=True),
16         Rule(LinkExtractor(allow=r'/view/', deny=r'/user/'),
17              callback='parse_item'),
18     )
19 
20     def parse_item(self, response):
21         item = CountryOrDistrictItem()
22         name_css = 'tr#places_country_or_district__row td.w2p_fw::text'
23         item['name'] = response.css(name_css).extract()
24         pop_xpath = '//tr[@id="places_population__row"]/td[@class="w2p_fw"]/text()'
25         item['population'] = response.xpath(pop_xpath).extract()
26         return item

View Code

爬虫类包括的属性：

name: 识别爬虫的字符串。
allowed_domains: 可以爬取的域名列表。如果没有设置该属性，则表示可以爬取任何域名。
start_urls: 爬虫起始URL列表。
rules: 该属性为一个通过正则表达式定义的Rule对象元组，用于告知爬虫需要跟踪哪些链接以及哪些链接包含抓取的有用内容。

python学习网

分类

Python 爬虫 - Scrapy框架原理