Scrapy框架-Spider
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。