更多内容请参考：Python学习指南
Spider
Spider类定义了如何爬取某个网站(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_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，知道处理完所有的数据位置。
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spider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爬取 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，中断后续操作则报错
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)
#默认的Request对象回调函数，处理返回的response。
#生成Item或者Request对象。用户必须实现这个类
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__
主要的属性和方法
- 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
初始化URL元素/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。
- 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。
- 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。
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
# -*- coding: utf-8 -*-
import scrapy
from cnblogSpider.items import TencentItem
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):
position = response.xpath('//tr[@class="odd"]')
position += response.xpath('//tr[@class="even"]')
for each in position:
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(r'(\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)
#将获取到的数据交给pipeline
yield item
- 编写pipeline.py文件
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import json
import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )
class TencentJsonPipeline(object):
def __init__(self):
self.file = open("tencent.json", "ab")
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()
class CnblogJsonPipeline(object):
def __init__(self):
self.file = open("cnblogs.json", 'w')
def process_item(self, item, spider):
print('cnblog json')
content = json.dumps(dict(item), ensure_ascii=False) + "\n"
self.file.write(content)
return item
def close_spider(self, spider):
self.file.close()
class CnblogspiderPipeline(object):
def process_item(self, item, spider):
print("CnblogspiderPipeline")
return item
class CnblogspiderPipeline2(object):
def process_item(self, item, spider):
print("CnblogspiderPipeline22222")
return item
- 在settings.py里设置ITEM_PIPELINES
ITEM_PIPELINES = {
"mySpider.pipelines.TencentJsonPipeline":300
}
- 执行爬虫
scrapy crawl tencent
思考
请思考parse()方法的工作机制：
- 因为使用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；
- 如果是request则加入爬取队列，如果是item类型则使用pipeline处理，其它类型则返回错误信息。
- 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，然后接着生成器里获取；
- 取尽第一部分的request,然后再爬取第二部分的item，取到item了，就会放到对应的pipeline里处理；
- 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，并返回给parse()方法，直到调度器中没有Request（递归的思路）- 取尽之后，parse()工作结束，引擎再根据队列和pipeline中的内容去执行相应的操作；
- 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。
- 这一切的一切，scrapy引擎和调度器负责到底。
