CrawlSpider爬取全站所有数据

全站数据爬取的方式

基于Spider：手动请求

基于CrawlSpider

基于CrawlSpider爬取全部数据

创建一个工程

cd XXX

创建爬虫文件（CrawlSpider）：

scrapy genspider -t crawl xxx www.xxxx.com

链接提取器

LinkExtractor常见参数：

allow：满足括号中“正则表达式”的URL会被提取，如果为空，则全部匹配。

deny：满足括号中“正则表达式”的URL一定不会提取（优先级敢于allow）。

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，该参数与allow共同作痛过滤链接，xpath满足范围内的url地址会被提取

需求

爬取XX网站中的新闻标题，时间 和新闻内容，标题

分析：爬取的数据没有在同一张页面中。

1.可以使用链接提取器提取所有的页码链接

2.让链接提取器提取所有的新闻详情页的链接

代码实现

获取每个页码页面链接

获取页面的标题和时间

获取每个详情页url规则

代码示例

sun.py

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from sunPro.items import SunproItem,DetailItem

class SunSpider(CrawlSpider):
    name = 'sun'
    # allowed_domains = ['www.xxxx.com']
    start_urls = ['https://www.shzh.net/baike/list-20.html']

    #链接提取器：根据指定规则（allow="正则"）进行指定链接的提取
    link = LinkExtractor(allow=r'list-20/p_\d+.html')
    link_detail = LinkExtractor(allow=r'detail-\d+')

    rules = (
        Rule(link, callback='parse_item', follow=True),
        # follow=True：可以将链接提取器 继续作用到 连接提取器提取到的链接 所对应的页面中
        Rule(link_detail, callback='parse_detail'),
    )


    #解析新闻标题和新闻的热度
    #如下两个解析方法中是不可以实现请求传参！
    #如法将两个解析方法解析的数据存储到同一个item中，可以以此存储到两个item
    def parse_item(self, response):
        #注意：xpath表达式中不可以出现tbody标签，用双斜杠//*[@id="morelist"]/div/table[2]//tr/td/table//tr
        tr_list = response.xpath('/html/body/div[5]/div[1]/div[1]/div[2]/ul/li')
        for tr in tr_list:
            new_title = tr.xpath('./div[2]/div/a/text()').extract_first()
            new_num = tr.xpath('./div[2]/div[3]/div/span[3]/text()').extract_first()
            item = SunproItem()
            item['title'] = new_title
            item['new_num'] = new_num

            yield item

    #解析新闻内容和新闻标题
    def parse_detail(self,response):
        new_id = response.xpath('/html/body/div[5]/div[1]/div[1]/div[1]/text()').extract_first()
        new_content = response.xpath('/html/body/div[5]/div[1]/div[1]/div[4]//text()').extract()
        new_content = ''.join(new_content)

        # print(new_id,new_content)
        item = DetailItem()
        item['content'] = new_content
        item['new_id'] = new_id

        yield item

items.py

import scrapy


class SunproItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    new_num = scrapy.Field()


class DetailItem(scrapy.Item):
    new_id = scrapy.Field()
    content = scrapy.Field()

管道pipelines.py

class SunproPipeline(object):
    def process_item(self, item, spider):
        #如何判定item的类型
        #将数据写入数据库时，如何保证数据的一致性
        if item.__class__.__name__ == 'DetailItem':
            print(item['new_id'],item['content'])
            pass
        else:
            print(item['new_num'],item['title'])
        return item