python爬蟲入門（七）Scrapy框架之Spider類

 Spider類

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。

Scrapy框架爬取--->>>騰訊招聘的全部職位信息

 1.先分析騰訊招聘網站url

第一頁：https://hr.tencent.com/position.php?&start=0#a

第二頁：https://hr.tencent.com/position.php?&start=10#a

第三頁：https://hr.tencent.com/position.php?&start=20#a

 

 發現有的職位類別爲空，全部在找職位類別的時候空值也要加進去，不然for循環取不到值會直接退出了 ./td[2]/text()|./td[2]

2.目錄結構

3.items.py

# -*- coding: utf-8 -*-
import scrapy

class TencentItem(scrapy.Item):
    # 職位名
    positionname = scrapy.Field()
    # 詳情鏈接
    positionlink = scrapy.Field()
    # 職位類別
    positionType = scrapy.Field()
    # 招聘人數
    peopleNum = scrapy.Field()
    # 工做地點
    workLocation = scrapy.Field()
    # 發佈時間
    publishTime = scrapy.Field()

4.tencentPosition.py

tencentPosition.py用命令建立 scrapy genspider tencentPosition "tencent.com"

# -*- coding: utf-8 -*-
import scrapy
from tencent.items import TencentItem

class TencentpositionSpider(scrapy.Spider):
    name = "tencent"
    allowed_domains = ["tencent.com"]

    url = "http://hr.tencent.com/position.php?&start="
    offset = 0

    start_urls = [url + str(offset)]

    def parse(self, response):
        for each in response.xpath("//tr[@class='even'] | //tr[@class='odd']"):
            # 初始化模型對象
            item = TencentItem()
　　　　　　　# 職位名稱
            item['positionname'] = each.xpath("./td[1]/a/text()").extract()[0]
            # 詳情鏈接
            item['positionlink'] = each.xpath("./td[1]/a/@href").extract()[0]
            # 職位類別
            item['positionType'] = each.xpath("./td[2]/text()|./td[2]").extract()[0]      
            # 招聘人數
            item['peopleNum'] =  each.xpath("./td[3]/text()").extract()[0]
            # 工做地點
            item['workLocation'] = each.xpath("./td[4]/text()").extract()[0]
            # 發佈時間
            item['publishTime'] = each.xpath("./td[5]/text()").extract()[0]

            yield item

        if self.offset < 3171:
            self.offset += 10

        # 每次處理完一頁的數據以後，從新發送下一頁頁面請求
        # self.offset自增10，同時拼接爲新的url，並調用回調函數self.parse處理Response
        yield scrapy.Request(self.url + str(self.offset), callback = self.parse)

5.pipelines.py

# -*- coding: utf-8 -*-

import json

class TencentPipeline(object):
    def __init__(self):
        self.filename = open("tencent.json", "w")

    def process_item(self, item, spider):
        text = json.dumps(dict(item), ensure_ascii = False) + ",\n"
        self.filename.write(text.encode("utf-8"))
        return item

    def close_spider(self, spider):
        self.filename.close()

6.settings.py裏面的設置

ROBOTSTXT_OBEY = True

DOWNLOAD_DELAY = 4   #防止爬取過快丟失數據


DEFAULT_REQUEST_HEADERS = {
    "User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;",
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'
}


ITEM_PIPELINES = {
    'tencent.pipelines.TencentPipeline': 300,
}

爬取的結果