Python爬虫Scrapy(五)_Spiders

作者: 小七奇奇 | 来源:发表于2017-12-26 21:55 被阅读40次

    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:

    1. 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;
    2. 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。
    3. 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;
    4. 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;
    5. 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)
    6. 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;
    7. 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。
    8. 这一切的一切,scrapy引擎和调度器负责到底。

    相关文章

      网友评论

        本文标题:Python爬虫Scrapy(五)_Spiders

        本文链接:https://www.haomeiwen.com/subject/vfoegxtx.html