Spider

Spider類定義了如何爬取某個(gè)(或某些)網(wǎng)站。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)頁的內(nèi)容中提取結(jié)構(gòu)化數(shù)據(jù)(爬取item)。 換句話說，Spider就是您定義爬取的動(dòng)作及分析某個(gè)網(wǎng)頁(或者是有些網(wǎng)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(gè)類。

主要用到的函數(shù)及調(diào)用順序?yàn)椋?/p>

__init__() : 初始化爬蟲名字和start_urls列表

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

parse() : 解析response，并返回Item或Requests（需指定回調(diào)函數(shù)）。Item傳給Item pipline持久化 ， 而Requests交由Scrapy下載，并由指定的回調(diào)函數(shù)處理（默認(rèn)parse())，一直進(jìn)行循環(huán)，直到處理完所有的數(shù)據(jù)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(gè)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(并初始化)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(wǎng)站(domain)(加或不加 后綴 )來命名spider。 例如，如果spider爬取 mywebsite.com ，該spider通常會(huì)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)象或類型通過內(nèi)置成員__dict__來存儲(chǔ)成員信息
        self.__dict__.update(kwargs)

        #URL列表。當(dāng)沒有指定的URL時(shí)，spider將從該列表中開始進(jìn)行爬取。 因此，第一個(gè)被獲取到的頁面的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。
        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，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，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，實(shí)際生成Request的函數(shù)。
    #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)，處理返回的response。
    #生成Item或者Request對(duì)象。用戶必須實(shí)現(xiàn)這個(gè)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(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URL元祖/列表。當(dāng)沒有制定特定的URL時(shí)，spider將從該列表中開始進(jìn)行爬取。

• 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?。J(rèn)實(shí)現(xiàn)是使用 start_urls 的url）的第一個(gè)Request。

  當(dāng)spider啟動(dòng)爬取并且未指定start_urls時(shí)，該方法被調(diào)用。

• parse(self, response)

  當(dāng)請(qǐng)求url返回網(wǎng)頁沒有指定回調(diào)函數(shù)時(shí)，默認(rèn)的Request對(duì)象回調(diào)函數(shù)。用來處理網(wǎng)頁返回的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。 更多數(shù)據(jù)請(qǐng)參見 logging

案例：騰訊招聘網(wǎng)自動(dòng)翻頁采集

• 創(chuàng)建一個(gè)新的爬蟲：

scrapy genspider tencent "tencent.com"

• 編寫items.py

獲取職位名稱、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(fā)送新的url請(qǐng)求加入待爬隊(duì)列，并調(diào)用回調(diào)函數(shù) self.parse
            yield scrapy.Request(url, callback = self.parse)

            # 將獲取的數(shù)據(jù)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 里設(shè)置ITEM_PIPELINES

ITEM_PIPELINES = {
    #'mySpider.pipelines.SomePipeline': 300,
    #"mySpider.pipelines.ItcastJsonPipeline":300
    "mySpider.pipelines.TencentJsonPipeline":300
}

• 執(zhí)行爬蟲：scrapy crawl tencent

思考

請(qǐng)思考 parse()方法的工作機(jī)制：

1. 因?yàn)槭褂玫膟ield，而不是return。parse函數(shù)將會(huì)被當(dāng)做一個(gè)生成器使用。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)什么樣的類型；
2. 如果是request則加入爬取隊(duì)列，如果是item類型則使用pipeline處理，其他類型則返回錯(cuò)誤信息。
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，然后接著從生成器里獲??；
4. 取盡第一部分的request，然后再獲取第二部分的item，取到item了，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，指定parse()方法來處理這些請(qǐng)求 scrapy.Request(url, callback=self.parse)
6. Request對(duì)象經(jīng)過調(diào)度，執(zhí)行生成 scrapy.http.response()的響應(yīng)對(duì)象，并送回給parse()方法，直到調(diào)度器中沒有Request（遞歸的思路）
7. 取盡之后，parse()工作結(jié)束，引擎再根據(jù)隊(duì)列和pipelines中的內(nèi)容去執(zhí)行相應(yīng)的操作；
8. 程序在取得各個(gè)頁面的items前，會(huì)先處理完之前所有的request隊(duì)列里的請(qǐng)求，然后再提取items。
7. 這一切的一切，Scrapy引擎和調(diào)度器將負(fù)責(zé)到底。