關(guān)于Scrapy框架下Spider類的簡介

這篇文章主要介紹關(guān)于Scrapy框架下Spider類的簡介，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

Spider類

Spider類定義了如何爬取某個(gè)(或某些)網(wǎng)站。包括了爬取的動(dòng)作(例如:是否跟進(jìn)鏈接)以及如何從網(wǎng)頁的內(nèi)容中提取結(jié)構(gòu)化數(shù)據(jù)(爬取item)。

換句話說，Spider就是您定義爬取的動(dòng)作及分析某個(gè)網(wǎng)頁(或者是有些網(wǎng)頁)的地方。

class scrapy.Spider是最基本的類，所有編寫的爬蟲必須繼承這個(gè)類。

主要用到的函數(shù)及調(diào)用順序?yàn)椋?/p>

__init__() : 初始化爬蟲名字和start_urls列表

start_requests() 調(diào)用make_requests_from url():生成Requests對象交給Scrapy下載并返回response

parse() : 解析response，并返回Item或Requests（需指定回調(diào)函數(shù)）。Item傳給Item pipline持久化 ， 而Requests交由Scrapy下載，并由指定的回調(diào)函數(shù)處理（默認(rèn)parse())，一直進(jìn)行循環(huán)，直到處理完所有的數(shù)據(jù)為止。

源碼參考

#所有爬蟲的基類，用戶定義的爬蟲必須從這個(gè)類繼承
class Spider(object_ref):
    #定義spider名字的字符串(string)。spider的名字定義了Scrapy如何定位(并初始化)spider，所以其必須是唯一的。
    #name是spider最重要的屬性，而且是必須的。
    #一般做法是以該網(wǎng)站(domain)(加或不加 后綴 )來命名spider。 例如，如果spider爬取 mywebsite.com ，該spider
    通常會(huì)被命名為 mywebsite
    name = None
    #初始化，提取爬蟲名字，start_ruls
    def __init__(self, name=None, **kwargs):
        if name is not None:
            self.name = name
        # 如果爬蟲沒有名字，中斷后續(xù)操作則報(bào)錯(cuò)
        elif not getattr(self, 'name', None):
            raise ValueError("%s must have a name" % type(self).__name__)
        # python 對象或類型通過內(nèi)置成員__dict__來存儲(chǔ)成員信息
        self.__dict__.update(kwargs)
        #URL列表。當(dāng)沒有指定的URL時(shí)，spider將從該列表中開始進(jìn)行爬取。 因此，第一個(gè)被獲取到的頁面的URL
        將是該列表之一。 后續(xù)的URL將會(huì)從獲取到的數(shù)據(jù)中提取。
        if not hasattr(self, 'start_urls'):
            self.start_urls = []
    # 打印Scrapy執(zhí)行后的log信息
    def log(self, message, level=log.DEBUG, **kw):
        log.msg(message, spider=self, level=level, **kw)
    # 判斷對象object的屬性是否存在，不存在做斷言處理
    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
    #該方法將讀取start_urls內(nèi)的地址，并為每一個(gè)地址生成一個(gè)Request對象，交給Scrapy下載并返回Response
    #該方法僅調(diào)用一次
    def start_requests(self):
        for url in self.start_urls:
            yield self.make_requests_from_url(url)
    #start_requests()中調(diào)用，實(shí)際生成Request的函數(shù)。
    #Request對象默認(rèn)的回調(diào)函數(shù)為parse()，提交的方式為get
    def make_requests_from_url(self, url):
        return Request(url, dont_filter=True)
    #默認(rèn)的Request對象回調(diào)函數(shù)，處理返回的response。
    #生成Item或者Request對象。用戶必須實(shí)現(xiàn)這個(gè)類
    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__

主要屬性和方法

name
定義spider名字的字符串。
例如，如果spider爬取 mywebsite.com ，該spider通常會(huì)被命名為 mywebsite
allowed_domains
包含了spider允許爬取的域名(domain)的列表，可選。
start_urls
初始URL元祖/列表。當(dāng)沒有制定特定的URL時(shí)，spider將從該列表中開始進(jìn)行爬取。
start_requests(self)
該方法必須返回一個(gè)可迭代對象(iterable)。該對象包含了spider用于爬取（默認(rèn)實(shí)現(xiàn)是使用 start_urls 的url）的第一個(gè)Request。
當(dāng)spider啟動(dòng)爬取并且未指定start_urls時(shí)，該方法被調(diào)用。
parse(self, response)
當(dāng)請求url返回網(wǎng)頁沒有指定回調(diào)函數(shù)時(shí)，默認(rèn)的Request對象回調(diào)函數(shù)。用來處理網(wǎng)頁返回的response，以及生成Item或者Request對象。

以上是關(guān)于Scrapy框架下Spider類的簡介的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道！