scrapy框架系列 (5) Spider類
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 後綴 )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,中斷後續操作則報錯
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。 後續的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執行後的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叠代對象(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 裏設置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麽樣的類型;
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放到隊列裏,然後接著從生成器裏獲取;
4. 取盡第一部分的request,然後再獲取第二部分的item,取到item了,就會放到對應的pipeline裏處理;
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. 取盡之後,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隊列裏的請求,然後再提取items。
7. 這一切的一切,Scrapy引擎和調度器將負責到底。
scrapy框架系列 (5) Spider類