CrawlSpider继承自Spider, CrawlSpider主要用于有规则的url进行爬取。
先来说说它们的设计区别：
SpiderSpider 类的设计原则是只爬取 start_urls 中的url，而 CrawlSpider 类定义了一些规则 rules 来提供跟进链接 link 的方便机制，从爬取的网页中获取link并继续跟进的工作。
先来看看刚创建一个crawlSpider的爬虫 -t 指定模板为crawlSpider
scrapy genspider -t crawl cf circ.gov.cn
LinkExtractor 的源码：
from scrapy.linkextractors import LinkExtractor
allow ：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 ：与这个正则表达式(或正则表达式列表)不匹配的url一定不提取
allow_domain：会被提取的连接的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。
restrict_css ：使用css选择器
在CrawlSpider源码中最先定义的是类Rule：Rule对象是一个爬取规则的类
link_extractor ：是一个Link Extractor对象。其定义了如何从爬取到的页面提取链接。
callback ：是一个callable或string（该Spider中同名的函数将会被调用）。从link_extractor中每获取到链接时将会调用该函数。该回调函数接收一个response作为其第一个参数，并返回一个包含Item以及Request对象(或者这两者的子类)的列表。
cb_kwargs ：包含传递给回调函数的参数（keyword argument）的字典。
follow ：是一个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True，否则默认False。
process_links ：是一个callable或string（该Spider中同名的函数将会被调用）。从link_extrator中获取到链接列表时将会调用该函数。该方法主要是用来过滤。
process_request ：是一个callable或string（该spider中同名的函数都将会被调用）。该规则提取到的每个request时都会调用该函数。该函数必须返回一个request或者None。用来过滤request
CrawlSpider类的源码：
rules ：
是一个列表，存储的元素是Rule类的实例，其中每一个实例都定义了一种采集站点的行为。如果有多个rule都匹配同一个链接，那么位置下标最小的一个rule将会被使用。
__init__ ：
它主要就是执行了_compile_rules方法
parse ：
默认回调方法。源码进行了重写，所以我们自定义的函数，不可以使用这个名，这里直接调用方法 _parse_response ，并把 parse_start_url 方法作为处理response的方法。
parse_start_url ：
它的主要作用就是处理parse返回的response，比如提取出需要的数据等，该方法也需要返回item、request或者他们的可迭代对象。它就是一个回调方法，和rule.callback用法一样。
_requests_to_follow ：
它的作用就是从response中解析出目标url，并将其包装成request请求。该请求的回调方法是_response_downloaded，这里为request的meta值添加了rule参数，该参数的值是这个url对应rule在rules中的下标。
_response_downloaded ：
该方法是方法 _requests_to_follow 的回调方法，作用就是调用 _parse_response 方法，处理下载器返回的 response ，设置 response 的处理方法为 rule.callback 方法。
_parse_response ：
该方法将 resposne 交给参数callback代表的方法去处理，然后处理callback方法的requests_or_item。再根据rule.follow and spider._follow_links来判断是否继续采集，如果继续那么就将response交给_requests_to_follow方法，根据规则提取相关的链接。spider._follow_links的值是从settings的CRAWLSPIDER_FOLLOW_LINKS值获取到的。
_compile_rules ：
作用就是将rule中的字符串表示的方法改成实际的方法，方便以后使用。
from_crawler ：
用于创建，在scrapy源码中这种创建方式比较多
整个数据的流向如下图所示：
示例：
1.创建项目
scrapy startproject circ
2. 创建crawl爬虫
cd circ
scrapy genspider -t crawl cf circ.gov.cn
3.编写cf.py
import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule import re class CfSpider(CrawlSpider): name = 'cf' allowed_domains = ['circ.gov.cn'] start_urls = ['http://www.circ.gov.cn/web/site0/tab5240/module14430/page1.htm'] #定义提取url地址规则 rules = ( #LinkExtractor 连接提取器，提取url地址 #callback 提取出来的url地址的response会交给callback处理 #follow 当前url地址的响应是够重新进过rules来提取url地址， Rule(LinkExtractor(allow=r'/web/site0/tab5240/info\d+\.htm'), callback='parse_item'), Rule(LinkExtractor(allow=r'/web/site0/tab5240/module14430/page\d+\.htm'),follow=True), ) #parse函数有特殊功能，不能定义 def parse_item(self, response): item = {} item["title"] = re.findall("<!--TitleStart-->(.*?)<!--TitleEnd-->",response.body.decode())[0] item["publish_date"] = re.findall("发布时间：(20\d{2}-\d{2}-\d{2})",response.body.decode())[0] print(item)
