码迷,mamicode.com
首页 > 其他好文 > 详细

CrawlSpider:类,Spider的一个子类

时间:2020-06-01 13:49:13      阅读:64      评论:0      收藏:0      [点我收藏+]

标签:pid   spider   ica   page   url   style   方法   nbsp   from   

全站数据爬取的方法

  • 基于spider:手动请求
  • 基于CrawlSpider

CrawlSpider的使用:

创建一个工程

cd xxx

创建爬虫文件(Crawlspider):

  • 指令 scrapy genspider -t crawl xxx www.xxx.com

链接提取器 LinkExtractor

  • 作用:根据指定规则(allow="正则")进行指定链接的提取

规则解析器Rule

  • 作用:将链接提取器提取到的链接进行指定规则(callback)的解析操作

参数follow = True

  • 作用:可以将链接提取器 继续作用到 链接提取器提取到的链接 所对应的页面中
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class SunSpider(CrawlSpider):
    name = sun
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1]

    # 链接提取器:根据指定的规则(allow="正则")进行指定链接的提取
    link = LinkExtractor(allow=rid=1&page=\d+)
    rules = (
        # Rule规则解析器:
        Rule(link, callback=parse_item, follow=False),
    )

    def parse_item(self, response):
        print(response)

 

CrawlSpider:类,Spider的一个子类

标签:pid   spider   ica   page   url   style   方法   nbsp   from   

原文地址:https://www.cnblogs.com/nanjo4373977/p/13024650.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!