爬蟲框架Scrapy之Spider


Spider

Spider類定義了如何爬取某個(或某些)網站。包括了爬取的動作(例如:是否跟進鏈接)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作及分析某個網頁(或者是有些網頁)的地方。

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

主要用到的函數及調用順序為:

__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,直到處理完所有的數據為止。

源碼參考

#所有爬蟲的基類,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,所以其必須是唯一的。 #name是spider最重要的屬性,而且是必須的。 #一般做法是以該網站(domain)(加或不加 后綴 )來命名spider。 例如,如果spider爬取 mywebsite.com ,該spider通常會被命名為 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 # 如果爬蟲沒有名字,中斷后續操作則報錯 elif not getattr(self, 'name', None): raise ValueError("%s must have a name" % type(self).__name__) # python 對象或類型通過內置成員__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。 因此,第一個被獲取到的頁面的URL將是該列表之一。 后續的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執行后的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,不存在做斷言處理 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,並為每一個地址生成一個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為parse(),提交的方式為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,如果spider爬取 mywebsite.com ,該spider通常會被命名為 mywebsite

  • allowed_domains

    包含了spider允許爬取的域名(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啟動爬取並且未指定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采集

  • 創建一個新的爬蟲:

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 里設置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()方法的工作機制:


1. 因為使用的yield,而不是return。parse函數將會被當做一個生成器使用。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么樣的類型; 2. 如果是request則加入爬取隊列,如果是item類型則使用pipeline處理,其他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放到隊列里,然后接着從生成器里獲取; 4. 取盡第一部分的request,然后再獲取第二部分的item,取到item了,就會放到對應的pipeline里處理; 5. parse()方法作為回調函數(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對象經過調度,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. 取盡之后,parse()工作結束,引擎再根據隊列和pipelines中的內容去執行相應的操作; 8. 程序在取得各個頁面的items前,會先處理完之前所有的request隊列里的請求,然后再提取items。 7. 這一切的一切,Scrapy引擎和調度器將負責到底。

注意!

本站转载的文章为个人学习借鉴使用,本站对版权不负任何法律责任。如果侵犯了您的隐私权益,请联系我们删除。



 
粤ICP备14056181号  © 2014-2020 ITdaan.com