这篇文章将为大家详细讲解有关Scrapy框架中CrawlSpider类是什么，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

CrawlSpider类

通过下面的命令可以快速创建 CrawlSpider模板 的代码：

scrapygenspider-tcrawltencenttencent.com

CrawSpider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，从爬取的网页中获取link并继续爬取的工作更适合。

CrawSpider源码详细解析

classCrawlSpider(Spider):rules=()def__init__(self,*a,**kw):super(CrawlSpider,self).__init__(*a,**kw)self._compile_rules()#首先调用parse()来处理start_urls中返回的response对象#parse()则将这些response对象传递给了_parse_response()函数处理，并设置回调函数为parse_start_url()#设置了跟进标志位True#parse将返回item和跟进了的Request对象defparse(self,response):returnself._parse_response(response,self.parse_start_url,cb_kwargs={},follow=True)#处理start_url中返回的response，需要重写defparse_start_url(self,response):return[]defprocess_results(self,response,results):returnresults#从response中抽取符合任一用户定义'规则'的链接，并构造成Resquest对象返回def_requests_to_follow(self,response):ifnotisinstance(response,HtmlResponse):returnseen=set()#抽取之内的所有链接，只要通过任意一个'规则'，即表示合法forn,ruleinenumerate(self._rules):links=[lforlinrule.link_extractor.extract_links(response)iflnotinseen]#使用用户指定的process_links处理每个连接iflinksandrule.process_links:links=rule.process_links(links)#将链接加入seen集合，为每个链接生成Request对象，并设置回调函数为_repsonse_downloaded()forlinkinlinks:seen.add(link)#构造Request对象，并将Rule规则中定义的回调函数作为这个Request对象的回调函数r=Request(url=link.url,callback=self._response_downloaded)r.meta.update(rule=n,link_text=link.text)#对每个Request调用process_request()函数。该函数默认为indentify，即不做任何处理，直接返回该Request.yieldrule.process_request(r)#处理通过rule提取出的连接，并返回item以及requestdef_response_downloaded(self,response):rule=self._rules[response.meta['rule']]returnself._parse_response(response,rule.callback,rule.cb_kwargs,rule.follow)#解析response对象，会用callback解析处理他，并返回request或Item对象def_parse_response(self,response,callback,cb_kwargs,follow=True):#首先判断是否设置了回调函数。（该回调函数可能是rule中的解析函数，也可能是parse_start_url函数）#如果设置了回调函数（parse_start_url()），那么首先用parse_start_url()处理response对象，#然后再交给process_results处理。返回cb_res的一个列表ifcallback:#如果是parse调用的，则会解析成Request对象#如果是rulecallback，则会解析成Itemcb_res=callback(response,**cb_kwargs)or()cb_res=self.process_results(response,cb_res)forrequests_or_iteminiterate_spider_output(cb_res):yieldrequests_or_item#如果需要跟进，那么使用定义的Rule规则提取并返回这些Request对象iffollowandself._follow_links:#返回每个Request对象forrequest_or_iteminself._requests_to_follow(response):yieldrequest_or_itemdef_compile_rules(self):defget_method(method):ifcallable(method):returnmethodelifisinstance(method,basestring):returngetattr(self,method,None)self._rules=[copy.copy(r)forrinself.rules]forruleinself._rules:rule.callback=get_method(rule.callback)rule.process_links=get_method(rule.process_links)rule.process_request=get_method(rule.process_request)defset_crawler(self,crawler):super(CrawlSpider,self).set_crawler(crawler)self._follow_links=crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS',True)

CrawlSpider继承于Spider类，除了继承过来的属性外（name、allow_domains），还提供了新的属性和方法:

LinkExtractors

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｡

classscrapy.linkextractors.LinkExtractor(allow=(),deny=(),allow_domains=(),deny_domains=(),deny_extensions=None,restrict_xpaths=(),tags=('a','area'),attrs=('href'),canonicalize=True,unique=True,process_value=None)

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，则全部匹配。

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

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。

classscrapy.spiders.Rule(link_extractor,callback=None,cb_kwargs=None,follow=None,process_links=None,process_request=None)

主要参数:

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。

注意：当编写爬虫规则时，避免使用parse作为回调函数。由于CrawlSpider使用parse方法来实现其逻辑，如果覆盖了 parse方法，crawl spider将会运行失败。

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False。

process_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。

process_request：指定该spider中哪个的函数将会被调用， 该规则提取到每个request时都会调用该函数。 (用来过滤request)

关于Scrapy框架中CrawlSpider类是什么就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。