欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Scrapy框架-Spider

程序员文章站 2023-03-31 18:30:47
[TOC] 1. Spider Spider类定义了如何爬取某个(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 ......

1. spider

spider类定义了如何爬取某个(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_from 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(需指定回调函数)。item传给item pipline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,直到处理完所有的数据为止。

2.scrapy源代码

#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__

2.1. scrapy主要属性和方法

  • 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url元祖/列表。当没有制定特定的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。

当spider启动爬取并且未指定start_urls时,该方法被调用。

  • 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。 更多数据请参见 logging

3.parse()方法的工作机制

1. 因为使用的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,其他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,然后接着从生成器里获取;
4. 取尽第一部分的request,然后再获取第二部分的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,并送回给parse()方法,直到调度器中没有request(递归的思路)
7. 取尽之后,parse()工作结束,引擎再根据队列和pipelines中的内容去执行相应的操作;
8. 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。
7. 这一切的一切,scrapy引擎和调度器将负责到底。