标签:全站 提取 CrawlSpider 爬取 allow domains 链接
全站数据爬取的方式
基于Spider:手动请求
基于CrawlSpider
基于CrawlSpider爬取全部数据
创建一个工程
cd XXX
创建爬虫文件(CrawlSpider):
scrapy genspider -t crawl xxx www.xxxx.com
链接提取器
LinkExtractor常见参数:
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一定不会提取(优先级敢于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,该参数与allow共同作痛过滤链接,xpath满足范围内的url地址会被提取
需求
爬取sun网站中的编号,新闻标题,新闻内容,标号
分析:爬取的数据没有在同一张页面中。
1.可以使用链接提取器提取所有的页码链接
2.让链接提取器提取所有的新闻详情页的链接
代码实现
获取每个页面链接
标签:全站,提取,CrawlSpider,爬取,allow,domains,链接 来源: https://www.cnblogs.com/simon1993/p/16315874.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。