Python:Spider

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

#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 mywebsitename = None#初始化，提取爬虫名字，start_rulsdef __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, 'name', None):raise ValueError("%s must have a name" % 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, 'start_urls'):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, '_crawler'), "Spider already bounded to %s" % crawlerself._crawler = crawler@propertydef crawler(self):assert hasattr(self, '_crawler'), "Spider not bounded to any crawler"return self._crawler@propertydef 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getdef 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@classmethoddef handles_request(cls, request):return url_is_from_spider(request.url, cls)def __str__(self):return "<%s %r at 0x%0x>" % (type(self).__name__, self.name, id(self))__repr__ = __str__

主要属性和方法

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、

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

# tencent.pyfrom mySpider.items import TencentItem
import scrapy
import reclass 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('//*[@class="even"]'):item = TencentItem()name = each.xpath('./td[1]/a/text()').extract()[0]detailLink = each.xpath('./td[1]/a/@href').extract()[0]positionInfo = each.xpath('./td[2]/text()').extract()[0]peopleNumber = each.xpath('./td[3]/text()').extract()[0]workLocation = each.xpath('./td[4]/text()').extract()[0]publishTime = each.xpath('./td[5]/text()').extract()[0]#print name, detailLink, catalog, peopleNumber, workLocation,publishTimeitem['name'] = name.encode('utf-8')item['detailLink'] = detailLink.encode('utf-8')item['positionInfo'] = positionInfo.encode('utf-8')item['peopleNumber'] = peopleNumber.encode('utf-8')item['workLocation'] = workLocation.encode('utf-8')item['publishTime'] = publishTime.encode('utf-8')curpage = re.search('(\d+)',response.url).group(1)page = int(curpage) + 10url = re.sub('\d+', 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.parseyield scrapy.Request(url, callback = self.parse)# 将获取的数据交给pipelineyield item

编写pipeline.py文件

import json#class ItcastJsonPipeline(object):
class TencentJsonPipeline(object):def __init__(self):#self.file = open('teacher.json', 'wb')self.file = open('tencent.json', 'wb')def process_item(self, item, spider):content = json.dumps(dict(item), ensure_ascii=False) + "\n"self.file.write(content)return itemdef close_spider(self, spider):self.file.close()

在 setting.py 里设置ITEM_PIPELINES

ITEM_PIPELINES = {#'mySpider.pipelines.SomePipeline': 300,#"mySpider.pipelines.ItcastJsonPipeline":300"mySpider.pipelines.TencentJsonPipeline":300
}

执行爬虫：scrapy crawl tencent

思考

请思考 parse()方法的工作机制：


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。

Python:Spider相关推荐

python spider 安装_Python爬虫(11):Scrapy框架的安装和基本使用
大家好,本篇文章我们来看一下强大的Python爬虫框架Scrapy.Scrapy是一个使用简单,功能强大的异步爬虫框架,我们先来看看他的安装. Scrapy的安装 Scrapy的安装是很麻烦的,对于一 ...
python spider怎么用_python爬虫入门（七）Scrapy框架之Spider类
Spider类 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 ...
Python Spider: 爬取项目外包网站TaskCity
对于想要做软件外包的小伙伴们来说,每天登陆外包网站,并且搜索合适的项目,是很累人并且十分枯燥的事情.使用Python爬虫,可以自动对外包网站上面最新的软件外包项目进行搜索.提取和保存.可以大大提高大家 ...
python spider是什么_Scrapy框架下的Spider类是什么
Spider类 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 ...
[Study]Python Spider
文章目录一.Python 基础 1.1 pip 1.2 数据类型 1.3 运算符 1.4 关键字 1.5 流程控制 1.6 字符串函数 1.7 列表函数 1.8 字典函数 1.9 切片 1.10 函 ...
python spider code
Python代码 #FileName: toolbox_insight.py from sgmllib import SGMLParser import threading import time ...
python spider是什么_python分布式爬虫中spider_Worker节点指的是什么
python分布式爬虫中spider_Worker节点指的是什么发布时间:2020-11-30 14:07:27
python spider模块_spider【第三篇】python爬虫模块requests
requests简介 requests模块是python3自带的库,可直接使用,该库主要用来处理http请求 requests模块的简单使用 requests模块发送简单的请求.获取响应一.requ ...
Python spider (二) Requests Lxml bs4
1.安装Requests && Lxml && bs4 pip install requests pip install bs4 pip install lxml 2. ...

Python:Spider

思考

Python:Spider相关推荐

最新文章

热门文章