一.目的。
自动多网页爬取，这里引出CrawlSpider类，使用更简单方式实现自动爬取。
二.热身。
1.CrawlSpider
（1）概念与作用：
它是Spider的派生类，首先在说下Spider，它是所有爬虫的基类，对于它的设计原则是只爬取start_url列表中的网页，而从爬取的网页中获取link并继续爬取的工作CrawlSpider类更适合。
（2）使用：
它与Spider类的最大不同是多了一个rules参数，其作用是定义提取动作。在rules中包含一个或多个Rule对象，Rule类与CrawlSpider类都位于scrapy.contrib.spiders模块中。
- class scrapy.contrib.spiders.Rule (
- link_extractor, callback=None,cb_kwargs=None,follow=None,process_links=None,process_request=None )
其中：
link_extractor为LinkExtractor，用于定义需要提取的链接。
callback参数：当link_extractor获取到链接时参数所指定的值作为回调函数。
callback参数使用注意：
当编写爬虫规则时，请避免使用parse作为回调函数。于CrawlSpider使用parse方法来实现其逻辑，如果您覆盖了parse方法，crawlspider将会运行失败。
follow：指定了根据该规则从response提取的链接是否需要跟进。当callback为None,默认值为true。
process_links：主要用来过滤由link_extractor获取到的链接。
process_request：主要用来过滤在rule中提取到的request。
2.LinkExtractor
（1）概念：
顾名思义，链接提取器。
（2） 作用：
response对象中获取链接，并且该链接会被接下来爬取。
（3） 使用：
通过SmglLinkExtractor提取希望获取的链接。
- classscrapy.contrib.linkextractors.sgml.SgmlLinkExtractor(
- 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。
三.RUN!
-
shell中验证
开始编写代码之前，使用scrapyshell查看使用SmglLinkExtractor在网页中获取到的链接：
- scrapy shell http://blog.csdn.net/u012150179/article/details/11749017
继续import相关模块：- fromscrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
现在使用SgmlLinkExtractor查看在当前网页中获得的链接：- item=SgmlLinkExtractor(allow=('/u012150179/article/details')).extract_links(response)
其中item为包含Link()对象的列表，现在显示其中的text元素（就是获取到的文章链接对应的文章标题）：- for i in item:
- print i.text
部分结果截图：对照网页可以得到此时获取的是当前网页中所有满足allow条件的链接，不仅包含“下一篇”的链接，还有网页侧边栏“阅读排行“、”评论排行“中的文章链接。为了只获得”下一篇“文章链接，这就要进行所有链接的筛选，引入参数restrict_xpaths，继续：
- item= SgmlLinkExtractor(allow=('/u012150179/article/details'),restrict_xpaths=('//li[@class="next_article"]')).extract_links(response)
这是在如上查看结果，便提取出了“下一篇”文章链接。注意：在shell中并不对提取到的link进行跟进。
在这里不得不提的就是scrapy shell是对调试、验证很有用的交互工具。应该掌握。
在shell中进行了验证后进入写代码阶段。
-
编写代码
（1）items.py和pipelines.py以及settings.py与之前教程类似，不详细描述。
（2）爬虫编写。
上码：
- # -*- coding:utf-8 -*-
- from scrapy.contrib.spiders import CrawlSpider, Rule
- from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
- from scrapy.selector import Selector
- from CSDNBlogCrawlSpider.items import CsdnblogcrawlspiderItem
- class CSDNBlogCrawlSpider(CrawlSpider):
- """继承自CrawlSpider，实现自动爬取的爬虫。"""
- name = "CSDNBlogCrawlSpider"
- #设置下载延时
- download_delay = 2
- allowed_domains = ['blog.csdn.net']
- #第一篇文章地址
- start_urls = ['http://blog.csdn.net/u012150179/article/details/11749017']
- #rules编写法一，官方文档方式
- #rules = [
- # #提取“下一篇”的链接并**跟进**,若不使用restrict_xpaths参数限制，会将页面中所有
- # #符合allow链接全部抓取
- # Rule(SgmlLinkExtractor(allow=('/u012150179/article/details'),
- # restrict_xpaths=('//li[@class="next_article"]')),
- # follow=True)
- #
- # #提取“下一篇”链接并执行**处理**
- # #Rule(SgmlLinkExtractor(allow=('/u012150179/article/details')),
- # # callback='parse_item',
- # # follow=False),
- #]
- #rules编写法二，更推荐的方式（自己测验，使用法一时经常出现爬到中间就finish情况，并且无错误码）
- rules = [
- Rule(SgmlLinkExtractor(allow=('/u012150179/article/details'),
- restrict_xpaths=('//li[@class="next_article"]')),
- callback='parse_item',
- follow=True)
- ]
- def parse_item(self, response):
- #print "parse_item>>>>>>"
- item = CsdnblogcrawlspiderItem()
- sel = Selector(response)
- blog_url = str(response.url)
- blog_name = sel.xpath('//div[@id="article_details"]/div/h1/span/a/text()').extract()
- item['blog_name'] = [n.encode('utf-8') for n in blog_name]
- item['blog_url'] = blog_url.encode('utf-8')
- yield item
运行：
- scrapy crawl CSDNBlogCrawlSpider
得到的效果如教程（五）一致。
其中指出和教程（五）所编写爬虫方法的差异：
首先，基类CrawlSpider提供了更完善的自动多网页爬取机制，只需要我们配置的就是rules，通过Rule对象实现链接的提取与跟进，恩，对，没了。。。就这样。详细的注释也都在程序中。
进行到这里，就将本篇文章主题讲述完毕，核心是CrawlSpider，主要方法是rules。