Scrapy基础——CrawlSpider详解

專 欄

❈hotpot，Python中文社区专栏作者

博客：

http://www.jianshu.com/u/9ea40b5f607a

❈

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

1、rules: 是Rule对象的集合，用于匹配目标网站并排除干扰 2、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：

1、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。 2、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。 3、allow_domains：会被提取的链接的domains。 4、deny_domains：一定不会被提取链接的domains。 5、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：

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

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)

那么Rule是怎么样定义的呢？

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：

理论说明如上，有不足或不懂的地方欢迎在留言区和我说明。 其次，我会写一段爬取简书全站用户的爬虫来说明如何具体使用CrawlSpider

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