链接提取器
链接提取器是唯一目的是从网页（scrapy.http.Response对象）中提取链接的对象，这将最终被遵循。
Scrapy中提供了scrapy.linkextractors.LinkExtractor，但您可以通过实现简单的界面，创建自己的定制链接提取器来满足您的需求。
每个链接提取器的唯一公共方法是extract_links，它接收一个Response对象并返回一个scrapy.link.Link对象列表。链接提取器意在被实例化一次，并且它们的extract_links方法被多次调用不同的响应来提取链接。
链接提取器用于CrawlSpider类（可在Scrapy中使用），通过一组规则，但您也可以在蜘蛛中使用它，即使您不从CrawlSpider进行子类化，因为其目的非常简单：提取链接。
内置链接提取器参考
与Scrapy捆绑在一起的链接提取器类在scrapy.linkextractors模块中提供。
默认链接提取器是LinkExtractor，与LxmlLinkExtractor相同：
从scrapy.linkextractors导入LinkExtractor
以前的Scrapy版本中曾经有其他链接提取器类，但现在已被弃用。
LxmlLinkExtractor
class scrapy.linkextractors.lxmlhtml.LxmlLinkExtractor（allow =（），deny =（），allow_domains =（），deny_domains =（），deny_extensions = None，restrict_xpaths =（），restrict_css =（），tags =（'a' 'area'），attrs =（'href'，），canonicalize = False，unique = True，process_value = None，strip = True）
推荐的链接提取器LxmlLinkExtractor具有方便的过滤选项。它使用lxml强大的HTMLParser实现。
参数：
allow（正则表达式（或列表）） - （绝对）URL必须匹配才能被提取的单个正则表达式（或正则表达式列表）。如果没有给出（或空），它将匹配所有链接。
deny（正则表达式（或列表）） - （绝对）URL必须匹配以排除（即未提取）的单个正则表达式（或正则表达式列表）。它优先于allow参数。如果没有给出（或空），它不会排除任何链接。
allow_domains（str或list） - 单个值或包含将被考虑用于提取链接的域的字符串列表
deny_domains（str或list） - 单个值或包含不会被视为提取链接的域的字符串列表
deny_extensions（list） - 单个值或包含在提取链接时应忽略的扩展名的字符串列表。如果没有给出，它将默认为scrapy.linkextractors包中定义的IGNORED_EXTENSIONS列表。
restrict_xpaths（str或list） - 是一个XPath（或XPath的列表），它定义响应中应该提取链接的区域。如果给出，只有XPath所选择的文本将被扫描链接。见下面的例子。
restrict_css（str或list） - 一个CSS选择器（或选择器列表），它定义响应中应该从中提取链接的区域。与restrict_xpaths具有相同的行为。
标签（str或list） - 提取链接时要考虑的标签或标签列表。默认为（'a'，'area'）。
attrs（list） - 在查找要提取的链接时应该考虑的属性或属性列表（仅适用于tags参数中指定的那些标签）。默认为（'href'，）
canonicalize（boolean） - 规范化每个提取的url（使用w3lib.url.canonicalize_url）。默认为False。请注意，canonicalize_url用于重复检查;它可以更改在服务器端可见的URL，因此对具有规范化和原始URL的请求的响应可能不同。如果您使用LinkExtractor来跟踪链接，则保持默认的canonicalize = False更加鲁棒。
unique（boolean） - 是否应将重复过滤应用于提取的链接。
process_value（可调用） -
接收从标签提取的每个值和扫描的属性的函数，并且可以修改该值并返回一个新的值，或者返回None以忽略该链接。如果没有给出，process_value默认为lambda x：x。
例如，从此代码中提取链接：
<a href="javascript:goToPage('../other/page.html'); return false">链接文字</a>
您可以在process_value中使用以下函数：
def process_value（value）：
m = re.search（“javascript：goToPage \（'（。\*？）'”，value）
如果m：
返回m.group（1）
strip（boolean） - 是否从提取的属性中删除空格。根据HTML5标准，必须从<a>，<area>和许多其他元素的href属性，<img>，<iframe>元素等的src属性中删除前导和尾随空格，因此LinkExtractor默认将空格字符。设置strip = False将其关闭（例如，如果要从允许前导/尾随空格的元素或属性中提取URL）。