Scrapy框架的使用之Spider的用法

在Scrapy中，要抓取網站的連接配置、抓取邏輯、解析邏輯裏其實都是在Spider中配置的。在前一節實例中，咱們發現抓取邏輯也是在Spider中完成的。本節咱們就來專門瞭解一下Spider的基本用法。

1. Spider運行流程

在實現Scrapy爬蟲項目時，最核心的類即是Spider類了，它定義瞭如何爬取某個網站的流程和解析方式。簡單來說，Spider要作的事就是以下兩件：

• 定義爬取網站的動做；

• 分析爬取下來的網頁。

對於Spider類來講，整個爬取循環過程以下所述：

• 以初始的URL初始化Request，並設置回調函數。當該Request成功請求並返回時，Response生成並做爲參數傳給該回調函數。

• 在回調函數內分析返回的網頁內容。返回結果有兩種形式。一種是解析到的有效結果返回字典或Item對象，它們能夠通過處理後（或直接）保存。另外一種是解析獲得下一個（以下一頁）連接，能夠利用此連接構造Request並設置新的回調函數，返回Request等待後續調度。

• 若是返回的是字典或Item對象，咱們可經過Feed Exports等組件將返回結果存入到文件。若是設置了Pipeline的話，咱們可使用Pipeline處理（如過濾、修正等）並保存。

• 若是返回的是Reqeust，那麼Request執行成功獲得Response以後，Response會被傳遞給Request中定義的回調函數，在回調函數中咱們能夠再次使用選擇器來分析新獲得的網頁內容，並根據分析的數據生成Item。

經過以上幾步循環往復進行，咱們完成了站點的爬取。

2. Spider類分析

在上一節的例子中，咱們定義的Spider是繼承自scrapy.spiders.Spider。scrapy.spiders.Spider這個類是最簡單最基本的Spider類，其餘Spider必須繼承這個類。還有後面一些特殊Spider類也都是繼承自它。

scrapy.spiders.Spider這個類提供了start_requests()方法的默認實現，讀取並請求start_urls屬性，並根據返回的結果調用parse()方法解析結果。它還有以下一些基礎屬性：

• name。爬蟲名稱，是定義Spider名字的字符串。Spider的名字定義了Scrapy如何定位並初始化Spider，它必須是惟一的。不過咱們能夠生成多個相同的Spider實例，數量沒有限制。name是Spider最重要的屬性。若是Spider爬取單個網站，一個常見的作法是以該網站的域名名稱來命名Spider。例如，Spider爬取mywebsite.com，該Spider一般會被命名爲mywebsite。

• allowed_domains。容許爬取的域名，是可選配置，不在此範圍的連接不會被跟進爬取。

• start_urls。它是起始URL列表，當咱們沒有實現start_requests()方法時，默認會從這個列表開始抓取。

• custom_settings。它是一個字典，是專屬於本Spider的配置，此設置會覆蓋項目全局的設置。此設置必須在初始化前被更新，必須定義成類變量。

• crawler。它是由from_crawler()方法設置的，表明的是本Spider類對應的Crawler對象。Crawler對象包含了不少項目組件，利用它咱們能夠獲取項目的一些配置信息，如最多見的獲取項目的設置信息，即Settings。

• settings。它是一個Settings對象，利用它咱們能夠直接獲取項目的全局設置變量。

除了基礎屬性，Spider還有一些經常使用的方法：

• start_requests()。此方法用於生成初始請求，它必須返回一個可迭代對象。此方法會默認使用start_urls裏面的URL來構造Request，並且Request是GET請求方式。若是咱們想在啓動時以POST方式訪問某個站點，能夠直接重寫這個方法，發送POST請求時使用FormRequest便可。

• parse()。當Response沒有指定回調函數時，該方法會默認被調用。它負責處理Response，處理返回結果，並從中提取出想要的數據和下一步的請求，而後返回。該方法須要返回一個包含Request或Item的可迭代對象。

• closed()。當Spider關閉時，該方法會被調用，在這裏通常會定義釋放資源的一些操做或其餘收尾操做。

3. 結語

以上內容可能不太好理解。不過不用擔憂，後面會有不少使用這些屬性和方法的實例。經過這些實例，咱們慢慢熟練掌握它們。