Spider

Posted nuochengze

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Spider相关的知识,希望对你有一定的参考价值。

1、官方文档

  https://scrapy-chs.readthedocs.io/zh_CN/latest/topics/spiders.html

2、Spider简介

  Spider类定义了如何爬取某个(或某些)网站。包括爬取的动作(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)。

  `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:

  (1)`__init__()`:初始化爬虫名字和start_urls列表

  (2)`start_requests()`:调用make_requests_from_url():生成Requests对象交给Scrapy下载并返回response

  (3)`parse()`:解析response,并返回Item或Requests(需要指定回调函数)。Item传给Item Pipeline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。

3、源码参考

# 所有爬虫的基类,用户定义的爬虫必须从这个类继承
class Spider(object_ref):

    # 定义spier名字的字符串(string)
    # spider的名字定义了Scrapy如何定位(并初始化)spider,所以其必须是唯一的
    # name是spider最重要的属性,而且是必须的
    # 一般做法是以该网站(domain)(加或不加后缀)来命名spider
    # 例如,如果spider爬去mywebsite.com,该spider通常会被命名为mywebsite
    name = None

    # 初始化,提取爬虫名字,start_ruls
    def __init__(self,name=None,**kwargs):
        if name is not None:
            self.name = name
        # 如果爬虫没有名字,中断后续操作且报错
        elif not getattr(self,name,None):
            raise ValueError("%s must have a name" % type(self).__name__)

        # python 对象或类型通过内置成员__dict__来存储成员信息
        self.__dict__.update(kwargs)

        # URL列表,当没有指定的URL时,spider将从该列表中开始进行爬取
        # 因此,第一个被获取到的页面的URL将是该列表之一
        # 后续的URL将会从获取到的数据中提取
        if not hasattr(self,start_urls):
            self.start_urls=[]
    
    # 打印Scrapy执行后的log信息
    def log(self,message,level=log.DEBUG,**kw):
        log.msg(message,spider=self,level=level,**kw)
    
    # 判断对象object的属性是否存在,不存在则做断言处理
    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

    # 该方法将读取start_urls内的地址,并为每一个地址生成一个Request对象,交给Scrapy下载并返回Response
    # 该方法仅调用一次
    def start_requests(self):
        for url in self.start_urls:
            yield self.make_requests_from_url(url)
    
    # start_requests()中调用,实际生成Request的函数
    # Request对象默认的回调函数为parse(),提交的方式为get
    def make_requests_from_url(self,url):
        return Request(url,dont_filter=True)
    
    @classmethod
    def handles_request(cls,request):
        return url_is_from_spider(request.url,cls)

    def __str__(self):
        return "<%s %r as 0x%0x>" % (type(self).__name__,self.name,id(self))
    
    __repr = __str__

4、主要属性和方法

  (1)name

    定义spider名字的字符串

  (2)allowed_domains

    包含了spider允许爬取的域名(domain)的列表,可选。

  (3)start_urls

    初始URL元祖/列表。当没有指定特定的URL时,spider将从该列表中开始进行爬取

  (4)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。

  (5)parse(self,response)

    当请求url返回的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。

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

    使用scrapy.log.msg()方法记录(log)message。

5、parser()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。

  9. Scrapy引擎和调度器知道爬取结束,才完成任务。

  

以上是关于Spider的主要内容,如果未能解决你的问题,请参考以下文章

Spider实战系列-抓取《一人之下第三季》

scrapy 知乎关键字爬虫spider代码

向scrapy中的spider传参,实现增量

Web Spider案例 网洛克 第三题 AAEncode加密 练习

MariaDB之Spider存储引擎实践详解

Spider使用scrapy运行,但没有数据存储到csv中