Scrapy框架下的Spider类是什么

python

Spider类

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。

相关推荐:《Python相关教程》

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。

相关推荐:

Python爬虫之Scrapy框架

以上是 Scrapy框架下的Spider类是什么 的全部内容, 来源链接: utcz.com/z/523641.html

回到顶部