标签：crawler ring 命名 编码格式 偏移量 enum off teacher text
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。
#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__
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
scrapy genspider tencent "tencent.com"
class TencentItem(scrapy.Item): name = scrapy.Field() detailLink = scrapy.Field() positionInfo = scrapy.Field() peopleNumber = scrapy.Field() workLocation = scrapy.Field() publishTime = scrapy.Field()
# -*- coding: utf-8 -*- import scrapy import re from mySpider.items import TencentItem class TencentSpider(scrapy.Spider): name = ‘tencent‘ allowed_domains = [‘hr.tencent.com‘] base_urls = ‘http://hr.tencent.com/position.php?&start=‘ #根据url规律，定义偏移量offset offset = 0 #组装发送请求的URL地址 start_urls = [base_urls + str(offset)] #处理响应信息默认的调用方法 def parse(self, response): for each in response.xpath("//tr[@class=‘even‘]|//tr[@class=‘odd‘]"): #引入定义好的字段Item类 item = TencentItem() #获取信息 #xpath使用规则则：因为xpath返回一个列表，所以必须取索引；xpath.extract()将xpath对象转换为Unicode字符串 #将unic编码格式转换成utf-8 item[‘name‘] = each.xpath("./td[1]/a/text()").extract()[0].encode(‘utf-8‘) item[‘detailLink‘] = each.xpath(‘./td[1]/a/@href‘).extract()[0].encode(‘utf-8‘) if len(each.xpath(‘./td[2]/text()‘)): item[‘positionInfo‘] = each.xpath(‘./td[2]/text()‘).extract()[0].encode(‘utf-8‘) else: item[‘positionInfo‘] = "" item[‘peopleNumber‘] = each.xpath(‘./td[3]/text()‘).extract()[0].encode(‘utf-8‘) item[‘workLocation‘] = each.xpath(‘./td[4]/text()‘).extract()[0].encode(‘utf-8‘) item[‘publishTime‘] = each.xpath(‘./td[5]/text()‘).extract()[0].encode(‘utf-8‘) #将数据返回给管道文件 yield item #实现腾讯招聘网自动翻页采集方式1:上一页和下一页变成灰色 #print response.xpath("//a[@class=‘noactive‘ and @id=‘next‘]") #if len(response.xpath("//a[@class=‘noactive‘ and @id=‘next‘]")) == 0: #url = response.xpath("//a[@id=‘next‘]/@href")[0].extract() #print "-------------------"+url #yield scrapy.Request("http://hr.tencent.com/"+url,callback = self.parse) # 实现腾讯招聘网自动翻页采集方式2: curpage = re.search(‘(\d+)‘, response.url).group(1) page = int(curpage) + 10 url = re.sub(‘\d+‘, str(page), response.url) # 发送新的url请求加入待爬队列，并调用回调函数 self.parse yield scrapy.Request(url, callback=self.parse)
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()
ITEM_PIPELINES = { #‘mySpider.pipelines.SomePipeline‘: 300, #"mySpider.pipelines.ItcastJsonPipeline":300 "mySpider.pipelines.TencentJsonPipeline":300 }
执行爬虫：
scrapy crawl tencent
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。
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。
标签：crawler ring 命名 编码格式 偏移量 enum off teacher text
原文地址：https://www.cnblogs.com/yaboya/p/9065823.html
