Python:Spider - 成就云开发者社区

Spider类定义了如何爬取某个(或某些)网站。包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。换句话说，Spider就是您定义爬取的动作及分析某个网页(或者是有些网页)的地方。
class scrapy.Spider是最基本的类，所有编写的爬虫必须继承这个类。
主要用到的函数及调用顺序为：
__init__() : 初始化爬虫名字和start_urls列表
start_requests() 调用make_requests_from url():生成Requests对象交给Scrapy下载并返回response
parse() : 解析response，并返回Item或Requests（需指定回调函数）。Item传给Item pipline持久化，而Requests交由Scrapy下载，并由指定的回调函数处理（默认parse())，一直进行循环，直到处理完所有的数据为止。
源码参考
代码语言：javascript
复制
#所有爬虫的基类，用户定义的爬虫必须从这个类继承
class Spider(object_ref):
#定义spider名字的字符串(string)。spider的名字定义了Scrapy如何定位(并初始化)spider，所以其必须是唯一的。
#name是spider最重要的属性，而且是必须的。
#一般做法是以该网站(domain)(加或不加 后缀 )来命名spider。 例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite
name = None

#初始化，提取爬虫名字，start_ruls
def __init__(self, name=None, **kwargs):
    if name is not None:
        self.name = name
    # 如果爬虫没有名字，中断后续操作则报错
    elif not getattr(self, &#39;name&#39;, None):
        raise ValueError(&#34;%s must have a name&#34; % type(self).__name__)

    # python 对象或类型通过内置成员__dict__来存储成员信息
    self.__dict__.update(kwargs)

    #URL列表。当没有指定的URL时，spider将从该列表中开始进行爬取。 因此，第一个被获取到的页面的URL将是该列表之一。 后续的URL将会从获取到的数据中提取。
    if not hasattr(self, &#39;start_urls&#39;):
        self.start_urls = []

# 打印Scrapy执行后的log信息
def log(self, message, level=log.DEBUG, **kw):
    log.msg(message, spider=self, level=level, **kw)

# 判断对象object的属性是否存在，不存在做断言处理
def set_crawler(self, crawler):
    assert not hasattr(self, &#39;_crawler&#39;), &#34;Spider already bounded to %s&#34; % crawler
    self._crawler = crawler

@property
def crawler(self):
    assert hasattr(self, &#39;_crawler&#39;), &#34;Spider not bounded to any crawler&#34;
    return self._crawler

@property
def settings(self):
    return self.crawler.settings

#该方法将读取start_urls内的地址，并为每一个地址生成一个Request对象，交给Scrapy下载并返回Response
#该方法仅调用一次
def start_requests(self):
    for url in self.start_urls:
        yield self.make_requests_from_url(url)

#start_requests()中调用，实际生成Request的函数。
#Request对象默认的回调函数为parse()，提交的方式为get
def make_requests_from_url(self, url):
    return Request(url, dont_filter=True)

#默认的Request对象回调函数，处理返回的response。
#生成Item或者Request对象。用户必须实现这个类
def parse(self, response):
    raise NotImplementedError

@classmethod
def handles_request(cls, request):
    return url_is_from_spider(request.url, cls)

def __str__(self):
    return &#34;&lt;%s %r at 0x%0x&gt;&#34; % (type(self).__name__, self.name, id(self))

__repr__ = __str__</code></pre></div></div><p>主要属性和方法</p><ul class="ul-level-0"><li> name

定义spider名字的字符串。

例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite
  allowed_domains
  包含了spider允许爬取的域名(domain)的列表，可选。
 
 start_urls
  初始URL元祖/列表。当没有制定特定的URL时，spider将从该列表中开始进行爬取。
 
 start_requests(self)
  该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取（默认实现是使用 start_urls 的url）的第一个Request。
 当spider启动爬取并且未指定start_urls时，该方法被调用。
 
 parse(self, response)
  当请求url返回网页没有指定回调函数时，默认的Request对象回调函数。用来处理网页返回的response，以及生成Item或者Request对象。
 
 log(self, message[, level, component])
  使用 scrapy.log.msg() 方法记录(log)message。 更多数据请参见 logging
 
案例：腾讯招聘网自动翻页采集
创建一个新的爬虫：
scrapy genspider tencent "tencent.com"
编写items.py
获取职位名称、详细信息、
代码语言：javascript
复制
class TencentItem(scrapy.Item):
    name = scrapy.Field()
    detailLink = scrapy.Field()
    positionInfo = scrapy.Field()
    peopleNumber = scrapy.Field()
    workLocation = scrapy.Field()
    publishTime = scrapy.Field()
编写tencent.py
代码语言：javascript
复制
# tencent.py
from mySpider.items import TencentItem

import scrapy

import re
class TencentSpider(scrapy.Spider):

name = "tencent"

allowed_domains = ["hr.tencent.com"]

start_urls = [

"http://hr.tencent.com/position.php?&start=0#a"

]
def parse(self, response):
    for each in response.xpath(&#39;//*[@class=&#34;even&#34;]&#39;):

        item = TencentItem()
        name = each.xpath(&#39;./td[1]/a/text()&#39;).extract()[0]
        detailLink = each.xpath(&#39;./td[1]/a/@href&#39;).extract()[0]
        positionInfo = each.xpath(&#39;./td[2]/text()&#39;).extract()[0]
        peopleNumber = each.xpath(&#39;./td[3]/text()&#39;).extract()[0]
        workLocation = each.xpath(&#39;./td[4]/text()&#39;).extract()[0]
        publishTime = each.xpath(&#39;./td[5]/text()&#39;).extract()[0]

        #print name, detailLink, catalog, peopleNumber, workLocation,publishTime

        item[&#39;name&#39;] = name.encode(&#39;utf-8&#39;)
        item[&#39;detailLink&#39;] = detailLink.encode(&#39;utf-8&#39;)
        item[&#39;positionInfo&#39;] = positionInfo.encode(&#39;utf-8&#39;)
        item[&#39;peopleNumber&#39;] = peopleNumber.encode(&#39;utf-8&#39;)
        item[&#39;workLocation&#39;] = workLocation.encode(&#39;utf-8&#39;)
        item[&#39;publishTime&#39;] = publishTime.encode(&#39;utf-8&#39;)

        curpage = re.search(&#39;(\d+)&#39;,response.url).group(1)
        page = int(curpage) + 10
        url = re.sub(&#39;\d+&#39;, str(page), response.url)

        # 发送新的url请求加入待爬队列，并调用回调函数 self.parse
        yield scrapy.Request(url, callback = self.parse)

        # 将获取的数据交给pipeline
        yield item</code></pre></div></div><ul class="ul-level-0"><li>编写pipeline.py文件</li></ul><div class="rno-markdown-code"><div class="rno-markdown-code-toolbar"><div class="rno-markdown-code-toolbar-info"><div class="rno-markdown-code-toolbar-item is-type"><span class="is-m-hidden">代码语言：</span>javascript</div></div><div class="rno-markdown-code-toolbar-opt"><div class="rno-markdown-code-toolbar-copy"><i class="icon-copy"></i><span class="is-m-hidden">复制</span></div></div></div><div class="developer-code-block"><pre class="prism-token token line-numbers language-javascript"><code class="language-javascript" style="margin-left:0">import json

#class ItcastJsonPipeline(object):

class TencentJsonPipeline(object):
def __init__(self):
    #self.file = open(&#39;teacher.json&#39;, &#39;wb&#39;)
    self.file = open(&#39;tencent.json&#39;, &#39;wb&#39;)

def process_item(self, item, spider):
    content = json.dumps(dict(item), ensure_ascii=False) + &#34;\n&#34;
    self.file.write(content)
    return item

def close_spider(self, spider):
    self.file.close()</code></pre></div></div><ul class="ul-level-0"><li>在 setting.py 里设置ITEM_PIPELINES</li></ul><div class="rno-markdown-code"><div class="rno-markdown-code-toolbar"><div class="rno-markdown-code-toolbar-info"><div class="rno-markdown-code-toolbar-item is-type"><span class="is-m-hidden">代码语言：</span>javascript</div></div><div class="rno-markdown-code-toolbar-opt"><div class="rno-markdown-code-toolbar-copy"><i class="icon-copy"></i><span class="is-m-hidden">复制</span></div></div></div><div class="developer-code-block"><pre class="prism-token token line-numbers language-javascript"><code class="language-javascript" style="margin-left:0">ITEM_PIPELINES = {
#&#39;mySpider.pipelines.SomePipeline&#39;: 300,
#&#34;mySpider.pipelines.ItcastJsonPipeline&#34;:300
&#34;mySpider.pipelines.TencentJsonPipeline&#34;:300

}
执行爬虫：scrapy crawl tencent
思考
请思考 parse()方法的工作机制：
代码语言：javascript
复制
1. 因为使用的yield，而不是return。parse函数将会被当做一个生成器使用。scrapy会逐一获取parse方法中生成的结果，并判断该结果是一个什么样的类型；

2. 如果是request则加入爬取队列，如果是item类型则使用pipeline处理，其他类型则返回错误信息。

3. scrapy取到第一部分的request不会立马就去发送这个request，只是把这个request放到队列里，然后接着从生成器里获取；

4. 取尽第一部分的request，然后再获取第二部分的item，取到item了，就会放到对应的pipeline里处理；

5. parse()方法作为回调函数(callback)赋值给了Request，指定parse()方法来处理这些请求 scrapy.Request(url, callback=self.parse)

6. Request对象经过调度，执行生成 scrapy.http.response()的响应对象，并送回给parse()方法，直到调度器中没有Request（递归的思路）

7. 取尽之后，parse()工作结束，引擎再根据队列和pipelines中的内容去执行相应的操作；

8. 程序在取得各个页面的items前，会先处理完之前所有的request队列里的请求，然后再提取items。

7. 这一切的一切，Scrapy引擎和调度器将负责到底。