创建一个通用的爬虫蜘蛛
Posted
技术标签:
【中文标题】创建一个通用的爬虫蜘蛛【英文标题】:Creating a generic scrapy spider 【发布时间】:2012-04-06 13:47:06 【问题描述】:我的问题实际上是如何做与上一个问题相同的事情,但在 Scrapy 0.14 中。
Using one Scrapy spider for several websites
基本上,我有一个 GUI,它接受域、关键字、标签名称等参数,我想创建一个通用爬虫来为这些标签中的关键字抓取这些域。我通过覆盖蜘蛛管理器类或动态创建蜘蛛来阅读冲突的东西,使用旧版本的scrapy。首选哪种方法以及如何实施和调用正确的解决方案?提前致谢。
这是我想要通用的代码。它还使用 BeautifulSoup。我把它配对了,所以希望没有删除任何对理解它至关重要的东西。
class MySpider(CrawlSpider):
name = 'MySpider'
allowed_domains = ['somedomain.com', 'sub.somedomain.com']
start_urls = ['http://www.somedomain.com']
rules = (
Rule(SgmlLinkExtractor(allow=('/pages/', ), deny=('', ))),
Rule(SgmlLinkExtractor(allow=('/2012/03/')), callback='parse_item'),
)
def parse_item(self, response):
contentTags = []
soup = BeautifulSoup(response.body)
contentTags = soup.findAll('p', itemprop="myProp")
for contentTag in contentTags:
matchedResult = re.search('Keyword1|Keyword2', contentTag.text)
if matchedResult:
print('URL Found: ' + response.url)
pass
【问题讨论】:
能否展示用于域、关键字、标签的固定值的代码? 已添加代码。它使用 BeautifulSoup 来解析 html。 嘿,朋友别太懒了。 【参考方案1】:我不确定哪种方式更受欢迎,但我会告诉你我过去做过什么。我不确定这是最好的(或正确的)方法,我很想了解其他人的想法。
我通常只是重写父类 (CrawlSpider
) 并传入参数,然后在我自己的 init 函数中通过 super(MySpider, self).__init__()
初始化父类或我拉入该数据从我保存了要附加到 start_urls
之前的链接列表的数据库中。
【讨论】:
【参考方案2】:不要将变量name
、allowed_domains
、start_urls
和rules
附加到类中,您应该编写一个MySpider.__init__
,调用CrawlSpider.__init__
,从中传递必要的参数,并设置@每个对象 987654327@、allowed_domains
等。
MyProp
和关键字也应该在你的__init__
中设置。所以最后你应该有类似下面的东西。您不必将name
添加到参数中,因为name
是由BaseSpider
本身从kwargs
设置的:
class MySpider(CrawlSpider):
def __init__(self, allowed_domains=[], start_urls=[],
rules=[], findtag='', finditemprop='', keywords='', **kwargs):
CrawlSpider.__init__(self, **kwargs)
self.allowed_domains = allowed_domains
self.start_urls = start_urls
self.rules = rules
self.findtag = findtag
self.finditemprop = finditemprop
self.keywords = keywords
def parse_item(self, response):
contentTags = []
soup = BeautifulSoup(response.body)
contentTags = soup.findAll(self.findtag, itemprop=self.finditemprop)
for contentTag in contentTags:
matchedResult = re.search(self.keywords, contentTag.text)
if matchedResult:
print('URL Found: ' + response.url)
【讨论】:
你能解释一下如何调用这个类MySpider
吗?我认为在最新版本中这种方法是不可能的
不知道。好久没用了。它奏效了 - 6 年前。
是的,我刚看到很久以前的帖子,谢谢【参考方案3】:
您可以创建一个由解释器评估的运行时蜘蛛。这段代码可以像这样在运行时进行评估:
a = open("test.py")
from compiler import compile
d = compile(a.read(), 'spider.py', 'exec')
eval(d)
MySpider
<class '__main__.MySpider'>
print MySpider.start_urls
['http://www.somedomain.com']
【讨论】:
【参考方案4】:我使用Scrapy Extensions 方法将Spider 类扩展为 到一个名为Masterspider 的包含通用解析器的类。
下面是我的通用扩展解析器的非常“短”版本。请注意,一旦您开始使用 AJAX 处理页面,就需要使用 javascript 引擎(例如 Selenium 或 BeautifulSoup)实现渲染器。还有很多额外的代码来管理站点之间的差异(基于列标题的报废、处理相对 URL 和长 URL、管理不同类型的数据容器等......)。
Scrapy Extension 方法的有趣之处在于,如果某些东西不适合但我从来不需要这样做,您仍然可以覆盖通用解析器方法。 Masterspider 类检查是否在站点特定的蜘蛛类下创建了某些方法(例如 parser_start、next_url_parser...),以允许对特定内容进行管理:发送表单、从页面中的元素构造 next_url 请求等。
由于我正在抓取非常不同的网站,因此总会有一些特殊性需要管理。这就是为什么我更喜欢为每个抓取的站点保留一个类,以便我可以编写一些特定的方法来处理它(预处理/后处理,除了 PipeLines、请求生成器......)。
masterspider/sitespider/settings.py
EXTENSIONS =
'masterspider.masterspider.MasterSpider': 500
masterspider/masterspdier/masterspider.py
# -*- coding: utf8 -*-
from scrapy.spider import Spider
from scrapy.selector import Selector
from scrapy.http import Request
from sitespider.items import genspiderItem
class MasterSpider(Spider):
def start_requests(self):
if hasattr(self,'parse_start'): # First page requiring a specific parser
fcallback = self.parse_start
else:
fcallback = self.parse
return [ Request(self.spd['start_url'],
callback=fcallback,
meta='itemfields': ) ]
def parse(self, response):
sel = Selector(response)
lines = sel.xpath(self.spd['xlines'])
# ...
for line in lines:
item = genspiderItem(response.meta['itemfields'])
# ...
# Get request_url of detailed page and scrap basic item info
# ...
yield Request(request_url,
callback=self.parse_item,
meta='item':item, 'itemfields':response.meta['itemfields'])
for next_url in sel.xpath(self.spd['xnext_url']).extract():
if hasattr(self,'next_url_parser'): # Need to process the next page URL before?
yield self.next_url_parser(next_url, response)
else:
yield Request(
request_url,
callback=self.parse,
meta=response.meta)
def parse_item(self, response):
sel = Selector(response)
item = response.meta['item']
for itemname, xitemname in self.spd['x_ondetailpage'].iteritems():
item[itemname] = "\n".join(sel.xpath(xitemname).extract())
return item
masterspider/sitespider/spiders/somesite_spider.py
# -*- coding: utf8 -*-
from scrapy.spider import Spider
from scrapy.selector import Selector
from scrapy.http import Request
from sitespider.items import genspiderItem
from masterspider.masterspider import MasterSpider
class targetsiteSpider(MasterSpider):
name = "targetsite"
allowed_domains = ["www.targetsite.com"]
spd =
'start_url' : "http://www.targetsite.com/startpage", # Start page
'xlines' : "//td[something...]",
'xnext_url' : "//a[contains(@href,'something?page=')]/@href", # Next pages
'x_ondetailpage' :
"itemprop123" : u"id('someid')//text()"
# def next_url_parser(self, next_url, response): # OPTIONAL next_url regexp pre-processor
# ...
【讨论】:
【参考方案5】:就爬取作为参数传递的特定域而言,我只是覆盖Spider.__init__
:
class MySpider(scrapy.Spider):
"""
This spider will try to crawl whatever is passed in `start_urls` which
should be a comma-separated string of fully qualified URIs.
Example: start_urls=http://localhost,http://example.com
"""
def __init__(self, name=None, **kwargs):
if 'start_urls' in kwargs:
self.start_urls = kwargs.pop('start_urls').split(',')
super(Spider, self).__init__(name, **kwargs)
【讨论】:
以上是关于创建一个通用的爬虫蜘蛛的主要内容,如果未能解决你的问题,请参考以下文章