一、Spider运行流程:

• 1.定义爬取网站的动作

• 2.分析爬取下来的网页

• 3.以初始的URL初始化Request，并设置回调函数。当该Request成功请求并返回时，Request生成并作为参数传给该回调函数

• 4.在回调函数内分析返回的网页内容.返回结果有两种形式，一种是解析到的有结果返回字典Item对象，她们可以讲过处理后(或直接)保存。另一种是解析得到下一个(如下一页)链接，可以利用此链接构造Request并设置新的回调函数，返回Request等待后续调度。

• 5.如果返回的是字典或Item对象,我们可以通过Feed Exports等组件将返回结果存入到文件.如果设置了Pipeline的话,我们可以使用Pipeline处理(如过滤、修正等)并保存.

• 6.如果返回的是Request,那么Request执行成功得到Response之后,Response会被传递给Request中定义的回调函数,在回调函数中我们可以再次使用选择器来分析新得到的网页内容,并根据分析的数据生成Item。

二、Spider类分析

我们定义的Spider是继承自scrapy.spiders.Spider。这个类是最简单最基本的Spider类，其他Spider必须继承这个类。还有后面一些特殊的Spider类也都是继承自它。
scrapy.spiders.Spider这个类提供了start_requests()方法的默认实现，读取并请求start_urls属性,并根据返回的结果调用parse()方法解析结果。它还有如下一些属性：

• name: 爬虫名称，是定义Spider名字的字符串。Spider的名字定义了Scrapy如果定位并初始化Spider，它必须是唯一的。不过可以生成多个相同的Spider实例，数量没有限制。name是SPider最重要的属性。如果Spider爬取单个网站，一个常见的做法是以该网站的域名来命名Spider。
• allowed_domains：允许爬取的域名，可选配置，不在此范围的链接不会被跟进爬取。
• start_urls：它是其实URL列表，当我们没有实现start_requests()方法时，默认会从这个列表开始抓取。
• custom_settings：它是一个字典，是专属于本Spider的配置，此设置会覆盖项目全局的设置，必须在初始化前被更新，必须定义成类变量。
• crawler：它是由from_crawler()方法设置的，代表的是本Spider类对应的Crawler对象。Crawler对象包含了很多项目组件，利用它我们可以获取项目的一些配置信息，如最常见的获取项目的设置信息，即Settings。
• settings：它是一个Settings对象，利用它我们可以直接获取项目的全局设置变量。

除了基础属性，Spider还有一些常用的方法。

• start_requests()：此方法用于生成初始请求，它必须返回一个可迭代对象。此方法会默认使用start_urls里面的URL来构造Request，而且Request是GET请求方式。如果我们想在启动时以POST方式访问某个站点，可以直接重写这个方法，发送POST请求时使用FormRequest即可。
• parse()：当Response没有指定回调函数时，该方法会默认呗调用。它负责处理Response，处理返回结果，并从中提取出想要的数据和下一步的请求，然后返回。该方法需要返回一个包含Request或Item的可迭代对象。
• closed()：当Spider关闭时，该方法会被调用，在这里一般会定义释放资源的一些操作或其他收尾操作。