首页 > 代码库 > Scrapy -- 04

Scrapy -- 04

翻译的官网文档质量不错啊,在看自己翻的,TAT。

Spider

  • class scrapy.spider.Spider #官网手册后面还有几个,例如CrawlSpider,但感觉还是这个用的多,github上的使用比例为30000对4300。如果CrawlSpider更好用,还望大神告知。

  • Spider是最简单的spider。每个其他的spider必须继承自该类(包括Scrapy自带的其他spider以及您自己编写的spider)。 Spider并没有提供什么特殊的功能。 其仅仅请求给定的 start_urls/start_requests ,并根据返回的结果(resulting responses)调用spider的 parse 方法。

    • closed(reason)

    • 当spider关闭时,该函数被调用。 该方法提供了一个替代调用signals.connect()来监听 spider_closed 信号的快捷方式。

    • log(message[, level, component])

    • 使用 scrapy.log.msg() 方法记录(log)message。 log中自动带上该spider的 name 属性。 更多数据请参见 Logging

    • parse(response)

    • 当response没有指定回调函数时,该方法是Scrapy处理下载的response的默认方法。

      parse 负责处理response并返回处理的数据以及(/或)跟进的URL。Spider 对其他的Request的回调函数也有相同的要求。

      该方法及其他的Request回调函数必须返回一个包含Request 及(或) Item的可迭代的对象。

      参数: response (Response) – 用于分析的response
    • make_requests_from_url(url)

    • 该方法接受一个URL并返回用于爬取的 Request 对象。 该方法在初始化request时被 start_requests() 调用,也被用于转化url为request。

      默认未被复写(overridden)的情况下,该方法返回的Request对象中,parse() 作为回调函数,dont_filter参数也被设置为开启。 (详情参见 Request).

    • start_requests() (处理需要登陆验证的注意:整点小号,小心封号!!)

    • 该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取的第一个Request。

      当spider启动爬取并且未制定URL时,该方法被调用。 当指定了URL时,make_requests_from_url() 将被调用来创建Request对象。 该方法仅仅会被Scrapy调用一次,因此您可以将其实现为生成器。

      该方法的默认实现是使用 start_urls 的url生成Request。

      如果您想要修改最初爬取某个网站的Request对象,您可以重写(override)该方法。 例如,如果您需要在启动时以POST登录某个网站,你可以这么写:

      def start_requests(self):
          return [scrapy.FormRequest("http://www.example.com/login",
                                     formdata=http://www.mamicode.com/{‘user‘: ‘john‘, ‘pass‘: ‘secret‘},>
    • start_urls

    • URL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。 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。

    • allowed_domains

    • 可选。包含了spider允许爬取的域名(domain)列表(list)。 当 OffsiteMiddleware 启用时, 域名不在列表中的URL不会被跟进。(一定要注意,要不然你怎么跪的都不知道,DEBUG的提示很坑爹的。)

    • name

    • 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。 不过您可以生成多个相同的spider实例(instance),这没有任何限制。 name是spider最重要的属性,而且是必须的。

      如果该spider爬取单个网站(single domain),一个常见的做法是以该网站(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 。

以上是Scrapy.spider的组成。这里要说一下parse方法,这个方法必须返回Request和Item的可迭代对象。返回Item可以理解,为何要返回Request呢?事实上Scrapy调用了spider的parse方法,然后迭代得到的对象,并执行对象自身的callback函数。关于Scrapy架构的更详细情况,推荐这篇blog:http://blog.csdn.net/frylion/article/details/8558538。

利用上述特性,我们就可以执行递归抓取等操作。例如像http://www.newxue.com/gkmz/sgyy/这种,我们想要抓取每章的内容,就可以现在parse函数中抓取所有的章节url,然后生成request对象,url为章节url,毁掉函数为parse2,并编写parse2对章节内容进行抓取。就像这样:

#待完善,老板不让说抓的细节T_T
def parse(self, response):
    for i in response.xpath(xpath表达式):
        url = 章节url
        yield scrapy.Request(url,callback=self.parse_page2)
def parse_page2(self, response):
    # this would log http://www.example.com/some_page.html
    self.log("Visited %s" % response.url)


此外,如果需要在父页面抓取一些信息,在子页面另外抓取一些信息,可以利用scrapy.Request的meta字段:meta是一个字典,它会被浅拷贝到子parse的response.meta之中。你可以将items在父parse函数添加到meta之中,而在子parse函数中利用response.meta提取items。示例如下:

#这个暂时没用到。。。
def parse_page1(self, response):
    item = MyItem()
    item[‘main_url‘] = response.url
    request = scrapy.Request("http://www.example.com/some_page.html",
                             callback=self.parse_page2)
    request.meta[‘item‘] = item
    return request
def parse_page2(self, response):
    item = response.meta[‘item‘]
    item[‘other_url‘] = response.url
    return item

待续

Scrapy -- 04