CrawlSpider：类，Spider的一个子类

全站数据爬取的方法

基于spider：手动请求
基于CrawlSpider

CrawlSpider的使用：

创建一个工程

cd xxx

创建爬虫文件（Crawlspider）：

指令 scrapy genspider -t crawl xxx www.xxx.com

链接提取器 LinkExtractor

作用：根据指定规则（allow="正则"）进行指定链接的提取

规则解析器Rule

作用：将链接提取器提取到的链接进行指定规则（callback）的解析操作

参数follow = True

作用：可以将链接提取器继续作用到链接提取器提取到的链接所对应的页面中

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class SunSpider(CrawlSpider):
    name = 'sun'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1']

    # 链接提取器：根据指定的规则（allow="正则"）进行指定链接的提取
    link = LinkExtractor(allow=r'id=1&page=d+')
    rules = (
        # Rule规则解析器:
        Rule(link, callback='parse_item', follow=False),
    )

    def parse_item(self, response):
        print(response)

需求：爬取sun网站中的编号、新闻标题，新闻内容、编号

分析：爬取的数据不在同一页面中

1、可以使用链接提取器提取所有页码的链接

2、让链接提取器提取所有的新闻详情页的链接

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from sunPro.items import SunproItem,DetailItem

# 需求：爬取sun网站中的编号、新闻标题，新闻内容、编号
class SunSpider(CrawlSpider):
    name = 'sun'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1']

    # 链接提取器：根据指定的规则（allow="正则"）进行指定链接的提取
    link = LinkExtractor(allow=r'id=1&page=d+')
    link_detail = LinkExtractor(allow=r'id=d+')

    # http://wz.sun0769.com/political/politics/index?id=458640
    # http://wz.sun0769.com/political/politics/index?id=458637

    rules = (
        # Rule规则解析器:
        Rule(link, callback='parse_item', follow=True),
        # follow=True:可以将链接提取器 继续作用到 链接提取器提取到的链接 所对应的页面中
        Rule(link_detail,callback='parse_detail')
    )


    # 如下两个解析方法中是不可以实现请求传参的
    # 无法将两个解析方法解析的数据存储到同一个item中，因此可以存储到两个item
    # 解析新闻标题和编号
    def parse_item(self, response):
        # 注意：xpath表达式中不可以出现tbody标签
        li_list = response.xpath('/html/body/div[2]/div[3]/ul[2]/li')
        for li in li_list:
            new_num = li.xpath('./span[1]/text()').extract_first()
            new_title = li.xpath('./span[3]/a/text()').extract_first()
            # print('编号',new_num,'标题',new_title)
            item = SunproItem()
            item['title'] = new_title
            item['new_num'] = new_num

            yield item

    # 解析新闻内容和新闻编号
    def parse_detail(self,response):
        new_id = response.xpath('/html/body/div[3]/div[2]/div[2]/div[1]/span[4]/text()').extract_first()
        new_content = response.xpath('/html/body/div[3]/div[2]/div[2]/div[2]/pre/text()').extract_first()
        new_content = ''.join(new_content)
        # print('详情id',new_id,'详情内容',new_content)
        item = DetailItem()
        item['new_id'] = new_id
        item['content'] = new_content

        yield item