scrapy中使用LinkExtractor提取链接

le = LinkExtractor(restrict_css='ul.pager li.next')

links = le.extract_links(response)

 

使用LinkExtractor的过程：

1. 导入LinkExtractor，它是在scrapy中linkextractors中
2. 创建一个Linkextractor对象，使用一个或者多个构造器参数描述提取规则，这里传递给restrict_css参数一个CSS选择器表达式。它描述了下一页链接所在的区域（在li.next下）
3. 调用LinkExtractor对象的extract_links方法传入一个response对象，这个方法一句创建对象的时候描述的的提取规则，在这个response对象的页面中提取链接，最终返回一个列表，其中的每一个元素都是个link对象，也就是提取到的链接
4. 由于页面中的下一页链接只有一个，因此用links[0]获取link对象，link对象的url属性就是链接页面的绝对url地址（无须在调用response.urljoin方法），用它构造request对象并再次提交

 

描述提取规则

　　特殊情况：

　　　　LinkExtractors构造器的所有的参数都是有默认值的，如果构造对象的时候不传入任何参数，就会自动提取页面中的所有的链接

　　LinkExtractor构造器的各个参数：

1. 1. allow
      1. 正则表达式或者正则表达式列表，提取绝对url和正则表达式匹配的链接，如果为空就会提取所有的链接
   2. deny
      1. 正则表达式或者正则表达式列表，与allow相反，排除绝对url与正则表达式匹配的链接
   3. allow_domains
      1. 接受一个域名或者一个域名列表，提取到指定域的链接
   4. deny_domains
      1. 接受一个域名或者一个域名列表，与allow_domains相反，排除指定域名的链接
   5. restrict_xpaths
      1. 接收一个xpath表达式或者一个xpath表达式列表，提取xpath表达式中区域下的链接
   6. restrict_css
      1. 接受一个css选择器或者css选择器列表，提取css选择器中指定区域下的链接
   7. tags
      1. 接受一个标签（字符串）或者一个标签列表，提取指定标签内的链接
   8. attrs
      1. 接收一个属性（字符串）或者一个属性列表，提取指定区域内的链，默认是['href']
   9. process_value
      1. 接收一个形如func(value)的回调函数。如果传递了该函数，LinkExtractor将会调用这个回调函数对提取的每一个链接进行处理，回调函数正常情况下应该返回一个字符串（处理结果），想要抛弃所处理的连接的时候，返回None