爬虫框架之Scrapy

Posted 2021-04-25 互联网it全栈

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。

可以通过源码去进行深刻理解

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 TencentItemimport scrapyimport 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]        

           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)            

           # 发送新的url请求加入待爬队列，并调用回调函数 self.parse                   yield scrapy.Request(url, callback = self.parse)                        # 将获取的数据交给pipeline            

           yield item

• 编写pipeline.py文件

          import json

          class TencentJsonPipeline(object):   

             def __init__(self):

                   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)           

             def close_spider(self, spider):        

                   self.file.close()

• 在 setting.py 里设置ITEM_PIPELINES

    ITEM_PIPELINES = {      

         "mySpider.pipelines.TencentJsonPipeline":300}

• 执行爬虫：scrapy crawl tencent

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。