Python爬虫Scrapy框架原理[Python基础]

  • Z时代
  • 2024-01-10
  • 分类：综合

python

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 -*-
 2import scrapy
 3from scrapy.linkextractors import LinkExtractor
 4from scrapy.spiders import CrawlSpider, Rule
 5from example.items import CountryOrDistrictItem
 6
 7
 8class 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
20def 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()
26return 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。

以上是 Python爬虫Scrapy框架原理[Python基础] 的全部内容， 来源链接： utcz.com/z/530024.html

回到顶部