Scrapy框架——CrawlSpider类爬虫案例_rules = (rule(linkextractor(allow=r"；items "；), call

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
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)

以下是案例代码：

item文件

import scrapy
    
    class TencentItem(scrapy.Item):
        # 职位
        name = scrapy.Field()
        # 详情链接
        positionlink = scrapy.Field()
        #职位类别
        positiontype = scrapy.Field()
        # 人数
        peoplenum = scrapy.Field()
        # 工作地点
        worklocation = scrapy.Field()
        # 发布时间
        publish = scrapy.Field()


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

pipeline文件

import json
    class TencentPipeline(object):
    
        def __init__(self):
            self.filename = open("tencent.json", "w")
        def process_item(self, item, spider):
            text = json.dumps(dict(item), ensure_ascii = False)  + ",\n"
            self.filename.write(text.encode("utf-8"))
            return item
        def close_spider(self, spider):
            self.filename.close()


1
2
3
4
5
6
7
8
9
10
11
12
13

setting文件

BOT_NAME = 'tencent'
    
    SPIDER_MODULES = ['tencent.spiders']
    NEWSPIDER_MODULE = 'tencent.spiders'
    LOG_FILE = 'tenlog.log'
    LOG_LEVEL = 'DEBUG'
    LOG_ENCODING = 'utf-8'
    
    ROBOTSTXT_OBEY = True
    
    DEFAULT_REQUEST_HEADERS = {
      'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    #   'Accept-Language': 'en',
    }
    
    
    ITEM_PIPELINES = {
       'tencent.pipelines.TencentPipeline': 300,
    }


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

spider文件

# -*- coding: utf-8 -*-
    import scrapy
    # 导入链接匹配规则类，用来提取符合规则的链接
    from scrapy.linkextractors import LinkExtractor
    from scrapy.spiders import CrawlSpider, Rule
    from tencent.items import TencentItem
    
    class TenecntSpider(CrawlSpider):
        name = 'tencent1'
        # 可选，加上会有一个爬去的范围
        allowed_domains = ['hr.tencent.com']
        start_urls = ['http://hr.tencent.com/position.php?&start=0#a']
        # response中提取 链接的匹配规则，得出是符合的链接
        pagelink = LinkExtractor(allow=('start=\d+'))
    
        print (pagelink)
        # 可以写多个rule规则
        rules = [
            # follow = True需要跟进的时候加上这句。
            # 有callback的时候就有follow
            # 只要符合匹配规则，在rule中都会发送请求，同是调用回调函数处理响应
            # rule就是批量处理请求
            Rule(pagelink, callback='parse_item', follow=True),
        ]
    
        # 不能写parse方法，因为源码中已经有了，回覆盖导致程序不能跑
        def parse_item(self, response):
            for each in response.xpath("//tr[@class='even'] | //tr[@class='odd']"):
                # 把数据保存在创建的对象中，用字典的形式
    
                item = TencentItem()
                # 职位
                # each.xpath('./td[1]/a/text()')返回的是列表，extract转为unicode字符串，[0]取第一个
                item['name'] = each.xpath('./td[1]/a/text()').extract()[0]
                # 详情链接
                item['positionlink'] = each.xpath('./td[1]/a/@href').extract()[0]
                # 职位类别
                item['positiontype'] = each.xpath("./td[2]/text()").extract()[0]
                # 人数
                item['peoplenum'] = each.xpath('./td[3]/text()').extract()[0]
                # 工作地点
                item['worklocation'] = each.xpath('./td[4]/text()').extract()[0]
                # 发布时间
                item['publish'] = each.xpath('./td[5]/text()').extract()[0]
    
                # 把数据交给管道文件
                yield item


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！