更多內(nèi)容請(qǐng)參考：Python學(xué)習(xí)指南

Spider

Spider類(lèi)定義了如何爬取某個(gè)網(wǎng)站(或某些)網(wǎng)站谒获。包括了爬取的動(dòng)作(例如：是否跟進(jìn)鏈接)以及如何從網(wǎng)頁(yè)的內(nèi)容中提取結(jié)構(gòu)化數(shù)據(jù)(爬取item)。換句話(huà)說(shuō)，Spider就是您定義爬取的動(dòng)作及分析某個(gè)網(wǎng)頁(yè)(或者是有些網(wǎng)頁(yè))的地方儒洛。

class scrapy.Spider是最基本的類(lèi)琅锻，所有編寫(xiě)的爬蟲(chóng)必須繼承這個(gè)類(lèi)向胡。

主要用到的函數(shù)及調(diào)用順序?yàn)椋?/p>

__init__():初始化爬蟲(chóng)名字和start_urls列表

start_requests()調(diào)用make_requests_url()：生成Requests對(duì)象交給Scrapy下載并返回response

parse()：解析response惊完，并返回Item或Requests(需要指定回調(diào)函數(shù))。Item傳給Item pipeline持久化拇派，而Requests交由Scrapy下載凿跳，并由指定的回調(diào)函數(shù)處理(默認(rèn)parse())控嗜，一直進(jìn)行循環(huán)，知道處理完所有的數(shù)據(jù)位置疆栏。

源碼參考

#所有爬蟲(chóng)的基類(lèi)壁顶，用戶(hù)定義的爬蟲(chóng)必須從這個(gè)類(lèi)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(并初始化)spider博助，所以其必須是唯一的富岳。
    #name是spider最重要的屬性，而且是必須的蚁飒。
    #一般做法是以該網(wǎng)站(domain)(加或不加 后綴 )來(lái)命名spider萝喘。 例如，如果spider爬取 mywebsite.com 爬早，該spider通常會(huì)被命名為 mywebsite
    name = None

    #初始化启妹，提取爬蟲(chóng)名字，start_ruls
    def __init__(self, name=None, **kwargs):
        if name is not None:
            self.name = name
        # 如果爬蟲(chóng)沒(méi)有名字桨啃，中斷后續(xù)操作則報(bào)錯(cuò)
        elif not getattr(self, 'name', None):
            raise ValueError("%s must have a name" % type(self).__name__)

        # python 對(duì)象或類(lèi)型通過(guò)內(nèi)置成員__dict__來(lái)存儲(chǔ)成員信息
        self.__dict__.update(kwargs)

        #URL列表。當(dāng)沒(méi)有指定的URL時(shí)匈棘，spider將從該列表中開(kāi)始進(jìn)行爬取析命。 因此碳却，第一個(gè)被獲取到的頁(yè)面的URL將是該列表之一。 后續(xù)的URL將會(huì)從獲取到的數(shù)據(jù)中提取昼浦。
        if not hasattr(self, 'start_urls'):
            self.start_urls = []

    # 打印Scrapy執(zhí)行后的log信息
    def log(self, message, level=log.DEBUG, **kw):
        log.msg(message, spider=self, level=level, **kw)

    # 判斷對(duì)象object的屬性是否存在关噪，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(nèi)的地址，并為每一個(gè)地址生成一個(gè)Request對(duì)象建钥，交給Scrapy下載并返回Response
    #該方法僅調(diào)用一次
    def start_requests(self):
        for url in self.start_urls:
            yield self.make_requests_from_url(url)

    #start_requests()中調(diào)用虐沥，實(shí)際生成Request的函數(shù)欲险。
    #Request對(duì)象默認(rèn)的回調(diào)函數(shù)為parse()，提交的方式為get
    def make_requests_from_url(self, url):
        return Request(url, dont_filter=True)

    #默認(rèn)的Request對(duì)象回調(diào)函數(shù)槐壳，處理返回的response喜每。
    #生成Item或者Request對(duì)象。用戶(hù)必須實(shí)現(xiàn)這個(gè)類(lèi)
    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__

主要的屬性和方法

• name

定義spider名字的字符串
例如枫笛，如果spider爬取mywebsite.com刚照，該spider通常會(huì)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

初始化URL元素/列表海诲。當(dāng)沒(méi)有指定特定的URL時(shí)特幔，spider將從該列表中開(kāi)始進(jìn)行爬取闸昨。

• start_requests(self)

該方法必須返回一個(gè)可迭代對(duì)象(iterable)。該對(duì)象包含了spider用于爬取(默認(rèn)實(shí)現(xiàn)是使用start_urls的url)的第一個(gè)Request拍嵌。

• parse(self, response)

當(dāng)請(qǐng)求url返回網(wǎng)頁(yè)沒(méi)有指定回調(diào)函數(shù)時(shí)循诉，默認(rèn)的Request對(duì)象回調(diào)函數(shù)。用來(lái)處理網(wǎng)頁(yè)返回的response,以及生成Item或者Request對(duì)象

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

使用scrapy.log.msg()方法記錄(log)message狈蚤。

案例：騰訊招聘網(wǎng)自動(dòng)翻頁(yè)采集

• 創(chuàng)建一個(gè)新的爬蟲(chóng)：

scrapy genspider tencent "tencent.com"

• 編寫(xiě)items.py
  獲取職位名稱(chēng)划纽、詳細(xì)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(xiě)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)

            #發(fā)送新的url請(qǐng)求加入待爬隊(duì)列靖避，并調(diào)用回調(diào)函數(shù)比默，self.parse
            yield scrapy.Request(url, callback = self.parse)

            #將獲取到的數(shù)據(jù)交給pipeline
            yield item

• 編寫(xiě)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里設(shè)置ITEM_PIPELINES

ITEM_PIPELINES = {
    "mySpider.pipelines.TencentJsonPipeline":300
}

• 執(zhí)行爬蟲(chóng)

scrapy crawl tencent

思考

請(qǐng)思考parse()方法的工作機(jī)制：

1. 因?yàn)槭褂脃ield,而不是return退敦。parse函數(shù)將會(huì)被當(dāng)做一個(gè)生成器使用侈百。scrapy會(huì)逐一獲取parse方法中生成的結(jié)果，并判斷該結(jié)果是一個(gè)什么樣的類(lèi)型钝域；
2. 如果是request則加入爬取隊(duì)列讽坏，如果是item類(lèi)型則使用pipeline處理，其它類(lèi)型則返回錯(cuò)誤信息例证。
3. scrapy取到第一部分的request不會(huì)立馬就去發(fā)送這個(gè)request,只是把這個(gè)request放到隊(duì)列里路呜，然后接著生成器里獲取；
4. 取盡第一部分的request,然后再爬取第二部分的item胀葱，取到item了漠秋，就會(huì)放到對(duì)應(yīng)的pipeline里處理；
5. parse()方法作為回調(diào)函數(shù)(callback)賦值給了Request抵屿，指定parse()方法來(lái)處理這些請(qǐng)求scrapy.Request(url, callback=self.parse)
   6.Request對(duì)象經(jīng)過(guò)調(diào)度庆锦，執(zhí)行生成scrapy.http.response()的響應(yīng)對(duì)象，并返回給parse()方法轧葛，直到調(diào)度器中沒(méi)有Request（遞歸的思路）
6. 取盡之后，parse()工作結(jié)束尿扯，引擎再根據(jù)隊(duì)列和pipeline中的內(nèi)容去執(zhí)行相應(yīng)的操作求晶；
7. 程序在取得各個(gè)頁(yè)面的items前，會(huì)先處理完之前所有的request隊(duì)列里的請(qǐng)求衷笋，然后再提取items芳杏。
8. 這一切的一切，scrapy引擎和調(diào)度器負(fù)責(zé)到底右莱。