(4)分布式下的爬虫Scrapy应该如何做-规则自动爬取及命令行下传参

本次探讨的主题是规则爬取的实现及命令行下的自定义参数的传递，规则下的爬虫在我看来才是真正意义上的爬虫。

我们选从逻辑上来看，这种爬虫是如何工作的：

 

我们给定一个起点的url link ，进入页面之后提取所有的ur 链接，我们定义一个规则，根据规则(用正则表达式来限制)来提取我们想要的连接形式，然后爬取这些页面，进行一步的处理(数据提取或者其它动作)，然后循环上述操作，直到停止，这个时候有一个潜在的问题，就是重复爬取，在scrapy 的框架下已经着手处理了这些问题，一般来说，对于爬取过滤的问题，通用的处理方式是建立一个地址表，在爬取之前查一下这个地址表，是否已经爬取过，如果是，则直接过滤掉。另一种就是使用现成的通用解决方案，bloom filter 

 

本次讨论的是如何使用CrawlSpider 来进行爬取豆瓣标签下的所有小组的信息：

 

一，我们新建立一个类，继承自CrawlSpider 

 

 

from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from douban.items import GroupInfo


class MySpider(CrawlSpider):

 

关于CrawlSpider的更多说明，请参考：http://doc.scrapy.org/en/latest/topics/spiders.html#crawlspider

 

二，为了完成命令行下的参数传递，我们需要在类的构造函数里面输入我们想要的参数

：

 

在命令行下这样使用：

scrapy crawl douban.xp --logfile=test.log  -a target=%E6%96%87%E5%85%B7

这样就可以将自定义的参数传入到里面

 

这里特别说明最后的一行：super(MySpider, self).__init__()

我们转到定义，查看CrawlSpider 的定义：

构造函数会调用私有方法编译rules变量，如果在我们自己定义的Spider里面没有调用方法，会直接报错的。

 

三，编写规则：

 

     self.rules = (
            Rule(LinkExtractor(allow=('/group/explore[?]start=.*?[&]tag=.*?$', ), restrict_xpaths=('//span[@class="next"]')), callback='parse_next_page',follow=True),
            )

 

allow 定义想要提取标签样式，使用正则匹配，restrict_xpaths 严格限制这种标签的范围在指定的标签内，callback ,提取到之后的回调函数。

 

四，全部代码参考：

 

from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from douban.items import GroupInfo


class MySpider(CrawlSpider):
    name = 'douban.xp'
    current = ''
    allowed_domains = ['douban.com']
    def __init__(self, target=None):
        if self.current is not '':
            target = self.current
        if target is not None:
            self.current = target
        self.start_urls = [
                'http://www.douban.com/group/explore?tag=%s' % (target)
            ]      
        self.rules = (
            Rule(LinkExtractor(allow=('/group/explore[?]start=.*?[&]tag=.*?$', ), restrict_xpaths=('//span[@class="next"]')), callback='parse_next_page',follow=True),
            )
        #call the father base function 
        super(MySpider, self).__init__()       

    def parse_next_page(self, response):
        self.logger.info(msg='begin init the page %s ' % response.url)
        list_item = response.xpath('//a[@class="nbg"]')

        #check the group is not null 
        if list_item is None:
            self.logger.info(msg='cant select anything in selector ')
            return
        for a_item in list_item:
            item = GroupInfo()
            item['group_url'] = ''.join(a_item.xpath('@href').extract())
            item['group_tag'] = self.current
            item['group_name'] = ''.join(a_item.xpath('@title').extract())
            yield item
    

    def parse_start_url(self, response):
        self.logger.info(msg='begin init the start page %s ' % response.url)
        list_item = response.xpath('//a[@class="nbg"]')

        #check the group is not null 
        if list_item is None:
            self.logger.info(msg='cant select anything in selector ')
            return
        for a_item in list_item:
            item = GroupInfo()
            item['group_url'] = ''.join(a_item.xpath('@href').extract())
            item['group_tag'] = self.current
            item['group_name'] = ''.join(a_item.xpath('@title').extract())
            yield item

    def parse_next_page_people(self, response):
        self.logger.info('Hi, this is an the next page! %s', response.url)

 

五，实际运行：

 

scrapy crawl douban.xp --logfile=test.log  -a target=%E6%96%87%E5%85%B7

 

实际的数据效果：

 

 

 

本次主要解决两个问题：

1.如何从命令行下传递参考

2.如何编写CrawlSpider

里面的演示的功能都比较有限，实际的运行中其实是需要进一步编写其它的规则，比如如何防止被ban，下一篇在简短的介绍下