Scrapy 爬虫模板--SitemapSpider

SitemapSiper 允许我们通过网站的 Sitemap 文件中的 URL 来爬取一个网站。Sitemap 文件包含整个网站的每个网址链接，其中包含了上次更新时间、更新频率以及网址的权重（重要程度）。常见的 Sitemap 文件格式有 TXT 、 XML 和 HTML 格式，大部分网站是以 XML 格式来显示的。下面我们来看一下 CSDN 网站的 Sitemap 文件格式。

我们来讲解一下上图中各个节点的意思：

loc：完整的网址；
lastmod：最后修改时间；
changefreq：更新频率；
priority：链接的权重。

下面我们来讲解一下 SitemapSiper 中常用的属性：

sitemap_urls：包含待爬取 url 的 Sitemap 列表；
sitemap_rules：元组列表，包含正则表达式和回调函数，格式是这样的 (regex,callback)。regex 可以是正则表达式，也可以是一个字符串。 callback 用于处理 url 的回调函数；
sitemap_follow：指定需要跟进 Sitemap 的正则表达式列表；
sitemap_alternate_link：当指定的 url 有可选的链接时是否跟进，默认不跟进。这里所谓的可选链接指的是备用网址，一般的格式如下：

<url>
  <loc>http://aaa.com</loc>
  <!--备用网址/可选链接-->
  <xhtml:link rel="alternate" hreflang="en" href="http://aaa.com/en"/>
</url>

零、例子

下面我们通过爬取 CSDN 的 Sitemap 来看一下怎么使用 SitemapSiper 。

from scrapy.spiders import SitemapSpider
from ..items import CsdnItem


class csdnspider(SitemapSpider):
    name = 'csdn_spider'
    sitemap_urls = ['https://www.csdn.net/sitemap.xml']
    sitemap_rules = [
        ('beautifulsoup4', 'parse')
    ]

    def parse(self, response):
        docs = response.css('.local-toc li')
        for doc in docs:
            item = CsdnItem()
            item["title"] = doc.css(".reference::text").extract_first()
            item["url"] = doc.css(".reference::attr(href)").extract_first()
            yield item

import scrapy


class CsdnItem(scrapy.Item):
    title = scrapy.Field()
    url = scrapy.Field()