爬蟲框架Scrapy之Spider

Spider

Spider類定義瞭如何爬取某個(或某些)網站。包括了爬取的動做(例如:是否跟進連接)以及如何從網頁的內容中提取結構化數據(爬取item)。 換句話說，Spider就是您定義爬取的動做及分析某個網頁(或者是有些網頁)的地方。

class scrapy.Spider是最基本的類，全部編寫的爬蟲必須繼承這個類。

主要用到的函數及調用順序爲：

__init__() : 初始化爬蟲名字和start_urls列表

start_requests() 調用make_requests_from url():生成Requests對象交給Scrapy下載並返回response

parse() : 解析response，並返回Item或Requests（需指定回調函數）。Item傳給Item pipline持久化 ， 而Requests交由Scrapy下載，並由指定的回調函數處理（默認parse())，一直進行循環，直處處理完全部的數據爲止。

源碼參考

#全部爬蟲的基類，用戶定義的爬蟲必須從這個類繼承 class Spider(object_ref): #定義spider名字的字符串(string)。spider的名字定義了Scrapy如何定位(並初始化)spider，因此其必須是惟一的。 #name是spider最重要的屬性，並且是必須的。 #通常作法是以該網站(domain)(加或不加 後綴 )來命名spider。 例如，若是spider爬取 mywebsite.com ，該spider一般會被命名爲 mywebsite name = None #初始化，提取爬蟲名字，start_ruls def __init__(self, name=None, **kwargs): if name is not None: self.name = name # 若是爬蟲沒有名字，中斷後續操做則報錯 elif not getattr(self, 'name', None): raise ValueError("%s must have a name" % type(self).__name__) # python 對象或類型經過內置成員__dict__來存儲成員信息 self.__dict__.update(kwargs) #URL列表。當沒有指定的URL時，spider將從該列表中開始進行爬取。 所以，第一個被獲取到的頁面的URL將是該列表之一。 後續的URL將會從獲取到的數據中提取。 if not hasattr(self, 'start_urls'): self.start_urls = [] # 打印Scrapy執行後的log信息 def log(self, message, level=log.DEBUG, **kw): log.msg(message, spider=self, level=level, **kw) # 判斷對象object的屬性是否存在，不存在作斷言處理 def set_crawler(self, crawler): assert not hasattr(self, '_crawler'), "Spider already bounded to %s" % crawler self._crawler = crawler  @property def crawler(self): assert hasattr(self, '_crawler'), "Spider not bounded to any crawler" return self._crawler  @property def settings(self): return self.crawler.settings #該方法將讀取start_urls內的地址，併爲每個地址生成一個Request對象，交給Scrapy下載並返回Response #該方法僅調用一次 def start_requests(self): for url in self.start_urls: yield self.make_requests_from_url(url) #start_requests()中調用，實際生成Request的函數。 #Request對象默認的回調函數爲parse()，提交的方式爲get def make_requests_from_url(self, url): return Request(url, dont_filter=True) #默認的Request對象回調函數，處理返回的response。 #生成Item或者Request對象。用戶必須實現這個類 def parse(self, response): raise NotImplementedError  @classmethod def 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__ 

主要屬性和方法

• name

  定義spider名字的字符串。

  例如，若是spider爬取 mywebsite.com ，該spider一般會被命名爲 mywebsite

• allowed_domains

  包含了spider容許爬取的域名(domain)的列表，可選。

• start_urls

  初始URL元祖/列表。當沒有制定特定的URL時，spider將從該列表中開始進行爬取。

• start_requests(self)

  該方法必須返回一個可迭代對象(iterable)。該對象包含了spider用於爬取（默認實現是使用 start_urls 的url）的第一個Request。

  當spider啓動爬取而且未指定start_urls時，該方法被調用。

• parse(self, response)

  當請求url返回網頁沒有指定回調函數時，默認的Request對象回調函數。用來處理網頁返回的response，以及生成Item或者Request對象。

• log(self, message[, level, component])

  使用 scrapy.log.msg() 方法記錄(log)message。 更多數據請參見 logging

案例：騰訊招聘網自動翻頁採集

• 建立一個新的爬蟲：

scrapy genspider tencent "tencent.com"

• 編寫items.py

獲取職位名稱、詳細信息、

class TencentItem(scrapy.Item): name = scrapy.Field() detailLink = scrapy.Field() positionInfo = scrapy.Field() peopleNumber = scrapy.Field() workLocation = scrapy.Field() publishTime = scrapy.Field() 

• 編寫tencent.py

# 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('//*[@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,publishTime item['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) + 10 url = re.sub('\d+', str(page), response.url) # 發送新的url請求加入待爬隊列，並調用回調函數 self.parse yield scrapy.Request(url, callback = self.parse) # 將獲取的數據交給pipeline yield item 

• 編寫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 item def close_spider(self, spider): self.file.close() 

• 在 setting.py 裏設置ITEM_PIPELINES

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

• 執行爬蟲：scrapy crawl tencent

思考

請思考 parse()方法的工做機制：

1. 由於使用的yield，而不是return。parse函數將會被當作一個生成器使用。scrapy會逐一獲取parse方法中生成的結果，並判斷該結果是一個什麼樣的類型； 2. 若是是request則加入爬取隊列，若是是item類型則使用pipeline處理，其餘類型則返回錯誤信息。 3. scrapy取到第一部分的request不會立馬就去發送這個request，只是把這個request放到隊列裏，而後接着從生成器裏獲取； 4. 取盡第一部分的request，而後再獲取第二部分的item，取到item了，就會放到對應的pipeline裏處理； 5. parse()方法做爲回調函數(callback)賦值給了Request，指定parse()方法來處理這些請求 scrapy.Request(url, callback=self.parse) 6. Request對象通過調度，執行生成 scrapy.http.response()的響應對象，並送回給parse()方法，直到調度器中沒有Request（遞歸的思路） 7. 取盡以後，parse()工做結束，引擎再根據隊列和pipelines中的內容去執行相應的操做； 8. 程序在取得各個頁面的items前，會先處理完以前全部的request隊列裏的請求，而後再提取items。 7. 這一切的一切，Scrapy引擎和調度器將負責到底。