以下链接，Scrapy网页爬虫框架

Question

经过多次阅读Scrapy文档，我仍然没有捕捉到使用CrawlSpider规则和在回调方法上实现我自己的链接提取机制之间的区别。

我正在写一个使用后一种方法的新网络爬虫，但是因为我在使用规则的过去项目中遇到了不好的经历。我真的很想知道我在做什么以及为什么。

任何人都熟悉这个工具？

感谢您的帮助！

Answer 1

CrawlSpider继承BaseSpider。它只是添加了规则来提取和跟踪链接。 如果这些规则是不够灵活的你 - 使用BaseSpider：

class USpider(BaseSpider): 
    """my spider. """ 

    start_urls = ['http://www.amazon.com/s/?url=search-alias%3Dapparel&sort=relevance-fs-browse-rank'] 
    allowed_domains = ['amazon.com'] 

    def parse(self, response): 
     '''Parse main category search page and extract subcategory search link.''' 
     self.log('Downloaded category search page.', log.DEBUG) 
     if response.meta['depth'] > 5: 
      self.log('Categories depth limit reached (recursive links?). Stopping further following.', log.WARNING) 

     hxs = HtmlXPathSelector(response) 
     subcategories = hxs.select("//div[@id='refinements']/*[starts-with(.,'Department')]/following-sibling::ul[1]/li/a[span[@class='refinementLink']]/@href").extract() 
     for subcategory in subcategories: 
      subcategorySearchLink = urlparse.urljoin(response.url, subcategorySearchLink) 
      yield Request(subcategorySearchLink, callback = self.parseSubcategory) 

    def parseSubcategory(self, response): 
     '''Parse subcategory search page and extract item links.''' 
     hxs = HtmlXPathSelector(response) 

     for itemLink in hxs.select('//a[@class="title"]/@href').extract(): 
      itemLink = urlparse.urljoin(response.url, itemLink) 
      self.log('Requesting item page: ' + itemLink, log.DEBUG) 
      yield Request(itemLink, callback = self.parseItem) 

     try: 
      nextPageLink = hxs.select("//a[@id='pagnNextLink']/@href").extract()[0] 
      nextPageLink = urlparse.urljoin(response.url, nextPageLink) 
      self.log('\nGoing to next search page: ' + nextPageLink + '\n', log.DEBUG) 
      yield Request(nextPageLink, callback = self.parseSubcategory) 
     except: 
      self.log('Whole category parsed: ' + categoryPath, log.DEBUG) 

    def parseItem(self, response): 
     '''Parse item page and extract product info.''' 

     hxs = HtmlXPathSelector(response) 
     item = UItem() 

     item['brand'] = self.extractText("//div[@class='buying']/span[1]/a[1]", hxs) 
     item['title'] = self.extractText("//span[@id='btAsinTitle']", hxs) 
     ... 

即使BaseSpider的start_urls不够灵活的你，覆盖start_requests方法。

Answer 2

如果您想要选择性抓取，比如抓取分页等的“下一步”链接，最好编写自己的抓取工具。但是对于一般抓取，您应该使用爬网搜索器并使用规则& process_links函数筛选出不需要遵循的链接。

看一看在\scrapy\contrib\spiders\crawl.py的抓取器代码，它不是很复杂。