Scrapy框架Crawler模板爬虫

1、创建一个CrawlerSpider

scrapy genspider -t crawl wx_spider 'wxapp-union.com'
#导入规则
from scrapy.spiders import Rule,CrawlSpider
from scrapy.linkextractors import LinkExtractor

2、Rule规则

class scrapy.spiders.Rule(
    link_extractor,#一个LinkExtractor对象，用于定义爬取规则
    callback，#满足这个规则的url执行的回调函数 【注意】：不要使用parse函数，因为Crawlspider征用了
    follow,#指定根据该规则从response又提取出类似链接要不要继续跟进, 默认为True
    process_link，#从link_extractor中获取到的链接会传递给这个函数，用于过滤不需要爬取的链接
)

3、LinkExtractor提取器

class scrapy.linkextractors.LinkExtractor(
    allow=(),#允许的url，满足这个正则表达式的url都会被提取
    deny=(),#不允许的url
    allow_domains=(),#允许的域名
    deny_domains=(),#禁止的域名
    restrict_xpaths=(),#严格的xpath，与allow共同过滤 
    unique=True/False，#链接是否去重 
)

示例（抓取微信小程序社区）

class WxSpiderSpider(CrawlSpider):
    name = 'wx_spider'
    allowed_domains = ['wxapp-union.com']
    start_urls = ['http://www.wxapp-union.com/portal.php?mod=list&catid=2&page=1']

    rules = (
        Rule(LinkExtractor(allow=r'.+mod=list&catid=2&page=\d'), follow=True),#定义页面抓取规则，这里允许跟进
        Rule(LinkExtractor(allow=r'.+/article-.+\.html'),callback = "parse_detail_page", follow=False)#定义内容抓取规则，这里不允许跟进，也就是内容页上的类似链接不跟进
    )

    def parse_detail_page(self, response):
        title = response.xpath('//h1[@class="ph"]/text()').get()
        content =response.xpath('//td[@id="article_content"]//text()').getall()
        content = ''.join(content)
        author_p = response.xpath('//p[@class="authors"]')
        author=author_p.xpath('.//a/text()').get()
        pub_time=author_p.xpath('.//span/text()').get()
        yield WxappItem(title=title,author=author,pub_time=pub_time,content=content)