CrawlSpiders

CrawlSpiders是 Spider 的派⽣类，Spider 类的设计原则是只爬取 start_url 列表中的⽹页，⽽CrawlSpider 类定义了⼀些规则(rule)来提供跟进 link 的⽅便的机制(可以爬取下一页或跟进页面中其他的url)，从爬取的⽹⻚中获取 link 并继续爬取的⼯作更适合。CrawlSpider 继承于 Spider 类，除了继承过来的属性外，还提供了⼀个新的属性和⽅法:
rules
在 rules 中包含⼀个或多个 Rule 对象，每个 Rule 对爬取⽹站的动作定义了特定操作。如果多个 rule 匹配了相同的链接，则根据规则在本集合中被定义的顺序，第⼀个会被使⽤。

from scrapy.linkextractors import LinkExtractor #提取链接
from  scrapy.spiders import CrawlSpider,Rule #循环抓取规则


class CnblogsspiderSpider(CrawlSpider):
    ...
    rules = (
        Rule(link_extractor=LinkExtractor(allow=r"/article/list/d+"),         process_links="parse_links"),  # 自动翻页，没有callback自动翻页
        Rule(link_extractor=LinkExtractor(allow=r"/article/details/d+"), callback="parse_content"), # 子链接 )

link_extractor ：是⼀个 Link Extractor 对象，⽤于定义需要提取的链接。callback ：从 link_extractor 中每获取到链接时，参数所指定的值作为回调函数,该回调函数接受⼀个 response 作为其第⼀个参数。follow ：是⼀个布尔(boolean)值，指定了根据该规则从 response 提取的链接是否需要跟进。如果 callback 为 None，follow 默认设置为True ，否则默认为 Falseprocess_links ：指定该 spider 中哪个的函数将会被调⽤，从link_extractor 中获取到链接列表时将会调⽤该函数。该⽅法主要⽤来过滤请求.然后在执行回调函数

process_request ：在回调函数之后调用spider中的一个函数. (⽤来过滤 request)
parse_start_url(response)：当 start_url 的请求返回时，该⽅法被调⽤。

LinkExtractors
class scrapy.linkextractors.LinkExtractor
Link Extractors 的⽬的很简单: 提取链接｡每个 LinkExtractor 有唯⼀的公共⽅法是 extract_links()，它接收⼀个Response 对象，并返回⼀个 scrapy.link.Link 对象。
Link Extractors 要实例化⼀次，并且 extract_links ⽅法会根据不同的response 调⽤多次提取链接｡

LinkExtractor(allow=r"/article/list/d+")#从所有找到的连接中定义需要提取的url

主要参数：
allow ：满⾜括号中“正则表达式”的值会被提取，如果为空，则全部匹

deny ：与这个正则表达式(或正则表达式列表)不匹配的 URL⼀定不提
取。
allow_domains ：会被提取的链接的 domains。
deny_domains ：⼀定不会被提取链接的 domains。
restrict_xpaths ：使⽤xpath 表达式，和 allow 共同作⽤过滤链接。
爬取规则(Crawling rules) 继续⽤腾讯招聘为
例，给出配合 rule 使⽤CrawlSpider 的例⼦: 1. ⾸先运⾏
scrapy shell "http://hr.tencent.com/position.php?&start=0#a"
CrawlSpiders
221
2. 导⼊LinkExtractor，创建 LinkExtractor 实例对象。：

from scrapy.linkextractors import LinkExtractor
page_lx = LinkExtractor(allow=('position.php?&start=d+'))

allow : LinkExtractor 对象最重要的参数之⼀，这是⼀个正则表达式，必须要匹配这个正则表达式(或正则表达式列表)的 URL 才会被提取，如果没有给出(或为空), 它会匹配所有的链接｡

deny : ⽤法同 allow，只不过与这个正则表达式匹配的 URL 不会被提取 ) ｡它的优先级⾼于 allow 的参数，如果没有给出 ( 或 None),将不排除任何链接｡