下的 元素的href里面。不同的是第一章只有2個(gè) 元素，從二章開(kāi)始就有3個(gè) 元素。因此我們可以通過(guò)

下

元素的個(gè)數(shù)來(lái)判決是否含有上一頁(yè)和下一頁(yè)的頁(yè)面。代碼如下

最終得到生成的網(wǎng)頁(yè)鏈接。并調(diào)用Request重新申請(qǐng)這個(gè)網(wǎng)頁(yè)的數(shù)據(jù)

那么在pipelines.py的文件中。我們同樣需要修改下存儲(chǔ)的代碼。如下。可以看到在這里就不是用json. 而是直接打開(kāi)txt文件進(jìn)行存儲(chǔ)

完整的代碼如下：在這里需要注意兩次yield的用法。第一次yield后會(huì)自動(dòng)轉(zhuǎn)到Test1Pipeline中進(jìn)行數(shù)據(jù)存儲(chǔ)，存儲(chǔ)完以后再進(jìn)行下一次網(wǎng)頁(yè)的獲取。然后通過(guò)Request獲取下一次網(wǎng)頁(yè)的內(nèi)容

對(duì)于自動(dòng)爬取網(wǎng)頁(yè)scrapy有個(gè)更方便的方法：CrawlSpider

前面介紹到的Spider中只能解析在start_urls中的網(wǎng)頁(yè)。雖然在上一章也實(shí)現(xiàn)了自動(dòng)爬取的規(guī)則。但略顯負(fù)責(zé)。在scrapy中可以用CrawlSpider來(lái)進(jìn)行網(wǎng)頁(yè)的自動(dòng)爬取。

爬取的規(guī)則原型如下：

class scrapy.contrib.spiders.Rule (link_extractor,?callback=None,?cb_kwargs=None,?follow=None,process_links=None,?process_request=None)

LinkExtractor.：它的作用是定義了如何從爬取到的的頁(yè)面中提取鏈接

Callback指向一個(gè)調(diào)用函數(shù)，每當(dāng)從LinkExtractor獲取到鏈接時(shí)將調(diào)用該函數(shù)進(jìn)行處理，該回調(diào)函數(shù)接受一個(gè)response作為第一個(gè)參數(shù)。注意：在用CrawlSpider的時(shí)候禁止用parse作為回調(diào)函數(shù)。因?yàn)镃rawlSpider使用parse方法來(lái)實(shí)現(xiàn)邏輯，因此如果使用parse函數(shù)將會(huì)導(dǎo)致調(diào)用失敗

Follow是一個(gè)判斷值，用來(lái)指示從response中提取的鏈接是否需要跟進(jìn)

在scrapy shell中提取www.sina.com.cn為例

LinkExtractor中的allow只針對(duì)href屬性：

例如下面的鏈接只針對(duì)href屬性做正則表達(dá)式提取

結(jié)構(gòu)如下：可以得到各個(gè)鏈接。

可以通過(guò)restrict_xpaths對(duì)各個(gè)鏈接加以限制，如下的方法：

實(shí)例2：還是以之前的迅讀網(wǎng)為例

提取網(wǎng)頁(yè)中的下一節(jié)的地址：

網(wǎng)頁(yè)地址：

http://www.xunread.com/article/8c39f5a0-ca54-44d7-86cc-148eee4d6615/1.shtml

?下一頁(yè)的的相對(duì)URL地址為2.shtml。

通過(guò)如下規(guī)則提取出來(lái)

>>> item=LinkExtractor(allow=('\d\.shtml')).extract_links(response)

>>> for i in item:

...?? print i.ur

...

http://www.xunread.com/article/8c39f5a0-ca54-44d7-86cc-148eee4d6615/2.shtml

也通過(guò)導(dǎo)航頁(yè)面直接獲取所有章節(jié)的鏈接：

C:\Users\Administrator>scrapy shell http://www.xunread.com/article/8c39f5a0-ca54

-44d7-86cc-148eee4d6615/index.shtml

?

from scrapy.linkextractors import LinkExtractor

?

>>> item=LinkExtractor(allow=('\d\.shtml')).extract_links(response)

>>> for i in item:

...?? print i.url

得到如下全部的鏈接

那么接下來(lái)構(gòu)造在scrapy中的代碼，如下

關(guān)鍵的是rules=(Rule(LinkExtractor(allow=( '\d\.shtml' )),callback= 'parse_item' ,follow=True),) 這個(gè)里面規(guī)定了提取網(wǎng)頁(yè)的規(guī)則。以上面的例子為例。爬取的過(guò)程分為如下幾個(gè)步驟：

1 從 http://www.xunsee.com/article/8c39f5a0-ca54-44d7-86cc-148eee4d6615/1.shtml 開(kāi)始，第一調(diào)用parse_item ，用xpath 提取網(wǎng)頁(yè)內(nèi)容，然后用Rule 提取網(wǎng)頁(yè)規(guī)則，在這里提取到2.shtml 。

2? 進(jìn)入2.shtml.進(jìn)入2.shtml 后再重復(fù)運(yùn)行第一步的過(guò)程。直到Rules 中提取不到任何規(guī)則

我們也可以做一下優(yōu)化，設(shè)置start_urls 為頁(yè)面索引頁(yè)面

http://www.xunsee.com/article/8c39f5a0-ca54-44d7-86cc-148eee4d6615/index.shtml

這樣通過(guò)Rule 可以一下提取出所有的鏈接。然后對(duì)每個(gè)鏈接調(diào)用parse_item 進(jìn)行網(wǎng)頁(yè)信息提取。這樣的效率比從1.shtml 要高效很多。