提问：如果想要通过爬虫程序去爬取”糗百“全站数据新闻数据的话，有几种实现方法？

方法一：基于Scrapy框架中的Spider的递归爬去进行实现的(Request模块回调)

方法二：基于CrawlSpider的自动爬去进行实现(更加简洁和高效)

一、简单介绍CrawlSpider

CrawlSpider其实是Spider的一个子类，除了继承到Spider的特性和功能外，还派生除了其自己独有的更加强大的特性和功能本文来源gao@daima#com搞(%代@#码网。其中最显著的功能就是”LinkExtractors链接提取器“。Spider是所有爬虫的基类，其设计原则只是为了爬取start_url列表中网页，而从爬取到的网页中提取出的url进行继续的爬取工作使用CrawlSpider更合适。

二、使用

1.创建scrapy工程(cmd切换到要创建项目的文件夹下执行)：scrapy startproject projectName （如：scrapy startproject crawlPro）

2.创建爬虫文件(cmd切换到创建的项目下执行)：scrapy genspider -t crawl spiderName (如：scrapy genspider -t crawl crawlDemo )

　　–此指令对比以前的指令多了 “-t crawl”，表示创建的爬虫文件是基于CrawlSpider这个类的，而不再是Spider这个基类。

3.启动爬虫文件(cmd基于步骤二的路径执行)：scrapy crawl crawlDemo (启动的一定是name对应的值，如果爬虫文件与name的值不一致，任然以name的值进行启动)

观察生成的爬虫文件

crawlDemo.py

# -*- coding: utf-8 -*- import scrapy # 导入CrawlSpider相关模块 from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule # 表示该爬虫程序是基于CrawlSpider类的 class CrawldemoSpider(CrawlSpider): name = 'crawlDemo' #爬虫文件名称 #allowed_domains = [''] start_urls = [''] #连接提取器：会去起始url响应回来的页面中提取指定的url link = LinkExtractor(allow=r'/8hr/page/\d+') #rules元组中存放的是不同的规则解析器（封装好了某种解析规则) rules = ( #规则解析器：可以将连接提取器提取到的所有连接表示的页面进行指定规则（回调函数）的解析 Rule(link, callback='parse_item', follow=True), ) # 解析方法 def parse_item(self, response): #print(response.url) divs = response.xpath('//div[@id="content-left"]/div') for div in divs: author = div.xpath('./div[@class="author clearfix"]/a[2]/h2/text()').extract_first() print(author)

CrawlSpider类和Spider类的最大不同是CrawlSpider多了一个rules属性，其作用是定义”提取动作“。在rules中可以包含一个或多个Rule对象，在Rule对象中包含了LinkExtractor对象。　

三、生成的爬虫文件参数介绍

3.1 LinkExtractor：顾名思义，链接提取器。

　　LinkExtractor(

　　　　　 allow=r’Items/’，# 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=xxx, # 满足正则表达式的则不会被提取。

　　　　　　 restrict_xpaths=xxx, # 满足xpath表达式的值会被提取

　　　　　　 restrict_css=xxx, # 满足css表达式的值会被提取

　　　　　　 deny_domains=xxx, # 不会被提取的链接的domains。　

)

　　- 作用：提取response中符合规则的链接。　

3.2 Rule : 规则解析器。根据链接提取器中提取到的链接，根据指定规则提取解析器链接网页中的内容。

搞代码网（)