写在前面
这周临时通知出差，所以没办法更文，实在抱歉。
还有一件很重要的事情，咸鱼下周二有一场自费赠书，一共6本，全部都是咸鱼自掏腰报回馈粉丝的福利。
目前暂定在交流群和公众号后台分别抽奖，按照上次的抽奖结果，交流群的中奖概率为1/30，后台小程序的中奖概率为1/100。所以还没有加入交流群的朋友快点加入吧~
为什么使用CrawlSpider类？
回顾上一篇文章，我们大多时间都是在寻找下一页的url地址或者是内容的url地址上面，我们的大体思路是这样的：
- 从response中提取所有的a标签对应的url地址
- 自动的构造自己requests请求，发送给引擎
其实我们可以使用CrawlSpider类，让满足某个条件的url地址，我们才发送给引擎，同时能够指定callback函数。
CrawlSpider的使用
使用scrapy genspider –t crawl [爬虫名] [all_domain]就可以创建一个CrawlSpider模版。
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：
Rules
CrawlSpider使用rules来决定爬虫的爬取规则，并将匹配后的url请求提交给引擎。所以在正常情况下，CrawlSpider不需要单独手动返回请求了。
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某种特定操作，比如提取当前相应内容里的特定链接，是否对提取的链接跟进爬取，对提交的请求设置回调函数等。
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。
class scrapy.spiders.Rule( link_extractor, callback = None, cb_kwargs = None, follow = None, process_links = None, process_request = None )
其中：
- 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)
LinkExtractors
Link Extractors 的目的很简单：提取链接｡
class scrapy.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 )
其中：
- allow：满足括号中正则表达式的URL会被提取，如果为空，则全部匹配。
- deny：满足括号中“正则表达式”的URL一定不提取（优先级高于allow）。
- 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。
CrawlSpider类-实战腾讯招聘
上一篇文章我们用scrapy spider类实现了腾讯招聘的爬取，这次就再用CrawlSpider再实现一次。
创建爬虫
scrapy genspider –t crawl tthr tencent.com
分析页面
这里我们只要找出详情页的链接规律和翻页的链接规律，所以可以找到以下链接：
# 详情页规律 position_detail.php?id=43310&keywords=&tid=0&lid=0 # 翻页规律 position.php?&start=10#a
到这里我们就可以写出以下rule：
# 详情页链接规律 Rule(LinkExtractor(allow=r'position_detail\.php\id=\d+&keywords=&tid=0&lid=0'),callback='parse_item'), # 在列表页查找翻页链接规律 Rule(LinkExtractor(allow=r'position\.php\?&start=\d+#a'), follow=True)
注意：
在查找详情页Rule时follow=False，我们无需在详情页再查找详情页的地址，而在列表Rule时follow=False，意味着不断在列表页中查找下一页地址。
编写代码
# -*- coding: utf-8 -*- import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule from tencenthr.items import TtItem class TthrSpider(CrawlSpider): name = 'tthr' allowed_domains = ['tencent.com'] start_urls = ['https://hr.tencent.com/position.php'] rules = ( Rule(LinkExtractor(allow=r'position_detail\.php\?id=\d+&keywords=&tid=0&lid=0'), callback='parse_item'), Rule(LinkExtractor(allow=r'position\.php\?&start=\d+#a'), follow=True) ) def parse_item(self, response): item = TtItem() item['sharetitle'] = response.xpath('//td[@id="sharetitle"]/text()').extract_first() item['category'] = response.xpath('//span[text()="职位类别："]/../text()').extract_first() item['location'] = response.xpath('//span[text()="工作地点："]/../text()').extract_first() item['num'] = response.xpath('//span[text()="招聘人数："]/../text()').extract_first() item['duty'] = response.xpath('//div[text()="工作职责："]/../ul/li/text()').extract() item['claim'] = response.xpath('//div[text()="工作要求："]/../ul/li/text()').extract() return item
本文全部代码已发布在github，点击原文即可获取~
结果截图
控制台截图
数据库截图
