scrapy框架中Crawlspider模块源码剖析

Scrapy源码分析-Spiders爬虫中文文档(一) Spider类定义了如何爬取某个(或某些)网站。包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。 换句话说,Spider就是您定义爬取的动作及分析某个网页(或者是有些网页)的地方。 对spider来说,爬取的循环类似下文: 以初始的URL初始化Request,并设置回调函数。 当该request下载完毕并返回时,将生成response,并 阅读详情

一、前言

1、scrapy从Terminal中通过genspider命令创建一个蜘蛛,其中包含四个模块,分别为spider,crawlspider,csvfeedspider和xmlfeedspider,其中spider(basic模块)和crawlspider最为常用。
2、做过web后台开发的都知道,很多网站中定义url都是有一定规则的(如django路由系统中定义的urls规则就是正则表达式), 那么我们就可以根据这个特性来设计爬虫,而不是每次都要用spider分析页面格式,此时我们就可以用crawlspider实现这样的需求。

二、Crawlspider简介

CrawlSpider基于Spider自己独有的特性:

  1. Rules: 这是一个(或多个)Rule对象的列表。每个Rule 定义用于爬网站点的特定行为。规则对象如下所述。如果多个规则匹配相同的链接,则将根据它们在此属性中定义的顺序使用第一个规则。
  2. parse_start_url: 为start_urls响应调用此方法。它允许解析初始响应,并且必须返回 Item对象,Request 对象或包含其中任何一个的iterable。
Rule参数分析
class scrapy.spiders.Rule(link_extractor,callback = None,
cb_kwargs = None,follow = None,process_links = None,process_request = None )

link_extractor:是一个Link Extractor对象,它定义如何从每个已爬网页面中提取链接。

callback:是一个可调用的或一个字符串(在这种情况下,将使用具有该名称的spider对象的方法)为使用指定的link_extractor提取的每个链接调用。此回调接收响应作为其第一个参数,并且必须返回包含Item和/或 Request对象(或其任何子类)的列表。

警告:编写爬网蜘蛛规则时,请避免使用parse回调,因为CrawlSpider使用parse方法本身来实现其逻辑。因此,如果您覆盖该parse方法,则爬网蜘蛛将不再起作用。

cb_kwargs: 是一个包含要传递给回调函数的关键字参数的dict。

follow:是一个布尔值,它指定是否应该从使用此规则提取的每个响应中跟踪链接。如果写了callback,则follow默认为True,否则默认为False。

process_links:是一个可调用的,或一个字符串(在这种情况下,将使用来自具有该名称的蜘蛛对象的方法),将使用指定的每个响应提取的每个链接列表调用该方法link_extractor。这主要用于过滤目的。

process_request :是一个可调用的,或一个字符串(在这种情况下,将使用来自具有该名称的spider对象的方法),该方法将在此规则提取的每个请求中调用,并且必须返回请求或None(以过滤掉请求) 。

import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor

class MySpider(CrawlSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com']

    rules = (
        # Extract links matching 'category.php' (but not matching 'subsection.php')
        # and follow links from them (since no callback means follow=True by default).
        Rule(LinkExtractor(allow=('category\.php', ), deny=('subsection\.php', ))),

        # Extract links matching 'item.php' and parse them with the spider's method parse_item
        Rule(LinkExtractor(allow=('item\.php', )), callback='parse_item'),
    )

    def parse_item(self, response):
        self.logger.info('Hi, this is an item page! %s', response.url)
        item = scrapy.Item()
        item['id'] = response.xpath('//td[@id="item_id"]/text()').re(r'ID: (\d+)')
        item['name'] = response.xpath('//td[@id="item_name"]/text()').extract()
        item['description'] = response.xpath('//td[@id="item_description"]/text()').extract()
        return item

这个蜘蛛首先抓取example.com的主页,收集category链接和item链接,使用该parse_item方法解析后者。对于每个item的响应,将使用XPath从HTML中提取一些数据,并将数据返回给pipeline。

三、源码分析

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)

init:主要执行了_compile_rules方法

parse:默认回调方法,不过在这里进行了重写,这里直接调用方法_parse_response,并把parse_start_url方法作为处理response的方法。

parse_start_url:它的主要作用就是处理parse返回的response,比如提取出需要的数据等,该方法也需要返回item、request或者他们的可迭代对象。它就是一个回调方法,和rule.callback用法一样。

_requests_to_follow:阅读源码可以发现,它的作用就是从response中解析出目标url,并将其包装成request请求。该请求的回调方法是_response_downloaded,这里为request的meta值添加了rule参数,该参数的值是这个url对应rule在rules中的下标。

_response_downloaded:该方法是方法_requests_to_follow的回调方法,作用就是调用_parse_response方法,处理下载器返回的response,设置response的处理方法为rule.callback方法。

_parse_response:该方法将resposne交给参数callback代表的方法去处理,然后处理callback方法的requests_or_item。再根据rule.follow and spider._follow_links来判断是否继续采集,如果继续那么就将response交给_requests_to_follow方法,根据规则提取相关的链接。spider._follow_links的值是从settings的CRAWLSPIDER_FOLLOW_LINKS值获取到的。

_compile_rules:这个方法的作用就是将rule中的字符串表示的方法改成实际的方法。

下面附带一张源码的执行流程图,以便于大家理解:
在这里插入图片描述

【Python自学笔记】新手爬虫必备!Scrapy中如何实现数据传递(meta&cb_kwargs)! 文章目录Scrapy中如何实现数据传递方法一方法二 返回主目录 Scrapy中如何实现数据传递 我们在写scrapy爬虫的时候可能需要经过好几个数据处理的方法(parse),并且需要将数据往后面的处理方法进行传递。今天我们就一起学习下Scrapy中如何实现数据传递。 方法一 使用meta参数进行数据传递 如下示例 #!/usr/bin/env python # -*- encoding: utf-8 -*- # @Author : 阅读详情

相关推荐

Python爬虫之Scrapy框架系列(15)—— CrawlSpider里的LinkExtractor和Rule类

Python爬虫之Scrapy框架系列(15)——CrawlSpider里的LinkExtractor和Rule类

孤寒者的博客 2万+

scrapy的cb_kwargs向回调函数传参的方式

简单展示scrapy的cb_kwargs的传参方式

qq_41007870的博客 602

CrawlSpider豆瓣图书爬虫

CrawlSpider完善豆瓣图书爬虫,具体参考:http://write.blog.youkuaiyun.com/postedit/70210364

Scrapy回调函数callback传递参数的方式

Scrapy回调函数 回调方法示例: yield Request(url=self.base_url + 'QueryInfo', headers=self.request_headers, method="POST", body=json.dumps(request_params), callback=self.page_query_schools, cb_kwargs=add_params) callback对应的是page_query_school()即为回调的方法。 传递参数方式 如何向回调方法中

木小鱼的笔记 5902

Vue3结合vue-office实现Word文档上传与预览全流程解析

本文详细解析了如何在Vue3项目中集成vue-office插件实现Word文档上传与预览功能。从项目初始化、插件安装到文件上传处理(包括ArrayBuffer转换)、预览优化及常见问题解决方案,提供了一套完整的实现流程,帮助开发者快速实现高效的文档预览功能。

weixin_29001327的博客 464

DC-DC电源PCB布局实战:从EMI优化到热管理

本文深入探讨了DC-DC电源PCB布局的核心实战技巧。文章从分析电流环路入手,强调通过优化“黄金三角”布局以最小化环路面积,从而有效抑制EMI并提升效率。详细阐述了功率器件摆放、地线分割、敏感信号布线、电感下方铺铜策略以及热管理设计等关键步骤,为工程师提供了一套从理论到实践的完整布局指南。

z5a6b的博客 722

scrapy meta 和 cb_kwargs参数

更适合传递较多或较复杂的数据,因为它是一个字典,可以在多个回调函数之间共享和修改。 更适合传递少量的简单数据,因为它直接将数据作为函数参数传递,便于访问 使用 可以让代码更加简洁和可读,回调函数的参数一目了然。 使用 需要通过 来访问数据,稍显繁琐,但更灵活。 可以与 Scrapy 的其他功能(如中间件和扩展)很好地兼容,因为许多 Scrapy 功能依赖于 字典。 主要用于传递回调函数需要的特定数据,不会与其他功能产生冲突。

Azx的博客 676

MICS-6814多气体传感器与ESP32-C3 Mini接口构建空气监测系统

cararenuity C3 Mini的多个ADC引脚,Wi-Fi和蓝牙LE以及紧凑的设计使其成为嵌入式物联网应用的绝佳选择。在这个项目中,我们将把MICS-6814多气体传感器与基于esp32 -C3的开发板cararenuity C3 Mini连接起来。更多模拟引脚:与ESP8266只有一个ADC引脚不同,基于esp32 -C3的cararenuity C3 Mini提供多个ADC引脚,使其成为多传感器应用的理想选择。紧凑可靠:该板的小尺寸使其成为嵌入式应用的理想选择,而不会牺牲性能。

hie98894的博客 770

爬虫 — Scrapy 框架(二)

是基于全站数据的爬取,将所有的数据爬取下来。Scrapy 为下载 item 中包含的文件提供了一个可重用的 item pipelines,这些 pipeline 有些共同的方法和结构,常用的有 Files Pipline 和 Images Pipeline。代理服务器会隐藏客户端的真实 IP 地址,并使用自己的 IP 地址作为代理发送请求,但目标服务器仍然可以检测到使用了代理。代理服务器完全隐藏客户端的真实 IP 地址,并使用自己的 IP 地址作为代理发送请求,目标服务器无法检测到使用了代理。

GitHub质检员 1908

WSL2双显卡配置实战:避开Tesla与TCC模式的那些坑

本文针对WSL2环境下无法识别Tesla计算卡的问题进行深度解析。核心原因在于WSL2目前仅支持WDDM模式的显卡,而Tesla系列及运行在TCC模式下的显卡因采用纯计算架构而无法兼容。文章提供了详细的排查步骤,并给出了包括调整显卡用途、使用虚拟机或物理机在内的多种实用解决方案,帮助开发者避开配置陷阱。

weixin_29289821的博客 544

OTG原理讲解

摘要:USB OTG(On-The-Go)是USB 2.0的重要功能,允许设备在主机和从机间动态切换,实现设备间的直接通信。其核心机制是通过ID引脚电平判断角色:Micro-USB中接地为Host,悬空为Device;USB-C则通过CC引脚协商。电路设计需处理ID引脚连接和VBUS电源控制,MCU根据ID状态配置USB控制器模式。典型应用包括手机连接U盘、键盘等外设,极大扩展了移动设备的连接能力。

m0_49476241的博客 3229

scrapy -->CrawlSpider 介绍

scrapy -->CrawlSpider 介绍 1、首先,通过crawl 模板新建爬虫: scrapy genspider -t crawl lagou www.lagou.com 创建出来的爬虫文件lagou.py: # -*- coding: utf-8 -*- import scrapy from scrapy.linkextractors...

weixin_30659829的博客 241

零信任实战:Tetragon阻断容器运行时0day攻击

零信任容器安全防御:Tetragon实战探析 摘要:针对容器0day攻击防护难题,本文提出基于Tetragon的eBPF零信任防御方案。通过内核级系统调用监控(如execve、mount),结合动态行为分析,实现3ms级攻击阻断。实战案例显示:成功拦截Log4j2漏洞利用(JNDI注入前阻断)和未知容器逃逸(/proc敏感路径防护)。某银行部署后实现100%攻击拦截率,性能损耗<3%,安全响应时间从30分钟降至5秒。方案突破传统防御瓶颈,为容器运行时安全提供新范式。

python,运维,测试,数据分析,人工智能 766

Scrapy分布式爬虫打造搜索引擎 - (四)通过CrawlSpider对拉勾网进行整站爬取

Python分布式爬虫打造搜索引擎 基于Scrapy、Redis、elasticsearch和django打造一个完整的搜索引擎网站 推荐前往我的个人博客进行阅读:http://blog.mtianyan.cn/ 目录分章效果更佳哦 分章查看目录: Scrapy分布式爬虫打造搜索引擎 - (一)基础知识 S...

weixin_34146986的博客 237

12、每日卫星任务规划问题的不同公式

本文探讨了卫星任务规划问题的多种数学公式表示方法,包括传统的整数线性规划(ILP)模型、改进的基于路径的公式、基于集合覆盖的公式以及动态规划公式。通过案例研究比较了不同公式的求解效率和适用场景,并提供了使用Python进行实际求解的操作步骤。最后讨论了进一步优化策略及未来研究方向,旨在为解决卫星任务规划问题提供全面的理论支持和实践指导。

assembly8low的博客 204

高通 Wi-Fi 驱动实录:MHI 协议中 Host 私有的数据结构

它那 16 字节的身体里,不仅装下了硬件返回的完成码(code)、传输长度(len),还装下了通道号(chid)和回指指针(ptr)。硬中断响应(mhi_irq_handler):需要特别注意的是,er_ctxt.msivec 和 mhi_event.irq 存储的是 MSI 向量索引(如 0, 1, 2...),而不是真正的 Linux IRQ 号!在它的内部,整段内嵌了两个 struct mhi_ring 实例:一个是处理硬件交互的 tre_ring,另一个则是默默在幕后记账的 buf_ring。

1042484520@qq.com(邮箱) 76

Scrapy中的yield使用

Scrapy中yield的使用背景yield的理解scrapy中的yield的使用scrapy.Request对象scrapy.Item对象scrapy中的传值的问题从持久化数据源(数据库/表格)中获取数据使用cb_kwargs在request和callback回调函数之间进行传参参考 背景 yield和协程总是相伴出现。 scrapy使用yield进行数据解析和爬取request。 yield的理解 yield的解释都比较复杂,一段典型的yield的使用如下: def foo(): pri

amuro_ray027的博客 4067

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Scrapy通用爬虫笔记 — CrawlSpider和Item Loader

CrawlSpider CrawlSpider:继承自Spider类,有两个重要的属性和方法。 process_start_url():当start_urls里的Request执行下载得到Response后,执行该函数进行解析,必须返回Item或者新的Request。 rules:定义爬取规则的属性,是一个包含一个或多个Rule规则的列表。通过定义的Rule可以筛选出符合我们要求的链接。 通过...

Duke_LH的博客 728

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Python爬虫---Scrapy框架---CrawlSpider

2. CrawlSpider可以定义规则,再解析html内容的时候,可以根据链接规则提取出指定的链接,然后再向这些链接发送请求,所以,如果有需要跟进链接的需求,意思就是爬取了网页之后,需要提取链接再次爬取,使用Crawlspider是非常合适的。6. restrict_xpaths = () :xpath语法,提取符合xpath规则的链接。DB_CHARSET = "utf8" # 字符集,不允许写 -DB_NAME = "rbook" # 数据库名字。

weixin_52053631的博客 2267

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Scarpy源码分析 14 Requests and Responses Ⅲ

2021SC@SDUSC part3:将附加数据传递给回调函数 The callback of a request is a function that will be called when the response of that request is downloaded. The callback function will be called with the downloaded Response object as its first argument. 请求的回调函数是在下载请求响

No_oneelse的博客 716

Scarpy源码分析 13 Requests and Responses Ⅱ

2021SC@SDUSC 书接上回 encoding(str) – the encoding of this request (defaults to'utf-8'). This encoding will be used to percent-encode the URL and to convert the body to bytes (if given as a string). 此请求的编码(默认为 'utf-8')。此编码将用于对 URL 进行百分比编码并将正文转换为字节(..

No_oneelse的博客 259

Scrapy第五篇:请求传参、parse方法传参

代码】scrapy解析方法parse传参。

Good Luck 2157

Scrapy框架学习(四)----CrawlSpider、LinkExtractors、Rule及爬虫示例

Scrapy框架学习(四)—-CrawlSpider、LinkExtractors、Rule及爬虫示例CrawlSpider、LinkExtractors、Rule是scrapy框架中的类,其中CrawlSpider是Spider的派生类,具有更多的方法和功能,LinkExtractor类是用作提取链接的,Rule表示的是爬取的规则。CrawlSpiderCrawlSpider是Spider的派生类

Widsom的博客 1万+

Scrapy中的Rules理解

Scrapy CrawlSpider Rules

wqh_jingsong的专栏 2万+

这两个参数是什么意思:*args,**kwargs?我们为什么要使用它们?

可变参数 如果我们不确定要往函数中传入多少个参数,或者我们想往函数中以列表和元组的形式传参数时,那就使要用*args; 如果我们不知道要往函数中传入多少个关键词参数,或者想传入字典的值作为关键词参数时,那就要使用**kwargs。 示例: 往函数中以列表和元组的形式传参数时,那就使要用*args &gt; 执行结果: 可变参数——字典 传入字典的值作为关键词参数时,...

西山枫叶 2万+
上一篇: scrapy框架中Spider源码解析
下一篇: chrome开发滚动截屏小技巧(pc和移动都可以)
tony哒...
博客等级 码龄8年 18粉丝 6原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值