Python爬虫框架之Scrapy中Spider的用法


Posted in Python onJune 28, 2021

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。

对spider来说,爬取的循环类似下文:

1.以初始的URL初始化Request,并设置回调函数。当该request下载完毕并返回时,将生成response,并作为参数传给该回调函数。spider中初始的request是通过调用start_requests()来获取的。start_requests()读取start_urls中的URL,并以parse为回调函数生成Request。

2.在回调函数内分析返回的(网页)内容,返回ltem对象或者Request或者一个包括二者的可迭代容器。返回的Request对象之后会经过Scrapy处理,下载相应的内容,并调用设置的callback函数(函数可相同)。

3.在回调函数内,您可以使用选择器(Selectors)(您也可以使用BeautifulSoup, Ixml或者您想用的任何解析器)来分析网页内容,并根据分析的数据生成item。

4.最后,由spider返回的item将被存到数据库(由某些ltem Pipeline处理)或使用Feed exports存入到文件中。

虽然该循环对任何类型的spider都(多少)适用,但Scrapy仍然为了不同的需求提供了多种默认spider。之后将讨论这些spider。

Spider

scrapy.spider.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)。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。

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。

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。

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。

start_requests()

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 : / /ww. example.com/login",
        formdata={ 'user' : 'john', ' pass ' : 'secret'},
        ca77back=se1f.1ogged_in)]
 
def logged_in(self,response) :
## here you would extract links to follow and return Requests for
## each of them,with another ca77back
pass

parse

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) ltem的可迭代的对象。

参数: response-用于分析的response

启动方式

start_urls

start_urls是一个列表

start_requests

使用start_requests()重写start_ur1s,要使用Request()方法自己发送请求:

def start_requests(se7f):
    """重写start_urls 规则"""
    yield scrapy.Request(ur1='http://quotes.toscrape.com/page/1/'cal1back=self.parse)

scrapy.Request

scrapy.Request是一个请求对象,创建时必须制定回调函数。

数据保存

可以使用-o将数据保存为常见的格式(根据后缀名保存)
支持的格式有下面几种:

  • json
  • jsonlines
  • jl
  • csv
  • xml
  • marshal
  • pickle

使用方式:

scrapy crawl quotes2 -o a.json

案例: Spider样例

##一*- coding: utf-8 -*-
 
import scrapy
 
clTass Quotes2spider(scrapy.spider):
    name = 'quotes2'
    a7lowed_domains = [ 'toscrape.com ' ]
    start_urls = [ ' http: //quotes.toscrape.com/ page/2/ ']
 
    def parse(self,response):
        quotes = response.css('.quote ' )
        for quote in quotes:
            text = quote.css( '.text: : text ' ).extract_first()
            auth = quote.css( '.author : :text ').extract_first()
            tages = quote.css('.tags a: :text' ).extract()
            yield dict(text=text , auth=auth, tages=tages)

到此这篇关于Python爬虫框架之Scrapy中Spider的用法的文章就介绍到这了,更多相关Spider的用法内容请搜索三水点靠木以前的文章或继续浏览下面的相关文章希望大家以后多多支持三水点靠木!

Python 相关文章推荐
跟老齐学Python之模块的加载
Oct 24 Python
Python 序列化 pickle/cPickle模块使用介绍
Nov 30 Python
Python中的迭代器漫谈
Feb 03 Python
Python数据类型详解(四)字典:dict
May 12 Python
python+django快速实现文件上传
Oct 24 Python
python requests爬取高德地图数据的实例
Nov 10 Python
opencv3/Python 稠密光流calcOpticalFlowFarneback详解
Dec 11 Python
python PIL/cv2/base64相互转换实例
Jan 09 Python
Python运行异常管理解决方案
Mar 09 Python
Python中Qslider控件实操详解
Feb 20 Python
Python 实现劳拉游戏的实例代码(四连环、重力四子棋)
Mar 03 Python
如何将numpy二维数组中的np.nan值替换为指定的值
May 14 Python
简单谈谈Python面向对象的相关知识
Jun 28 #Python
Python利用机器学习算法实现垃圾邮件的识别
浅谈Python中的正则表达式
Jun 28 #Python
python中subplot大小的设置步骤
手把手教你实现PyTorch的MNIST数据集
PyMongo 查询数据的实现
Jun 28 #Python
浅谈哪个Python库才最适合做数据可视化
You might like
php简单静态页生成过程
2008/03/27 PHP
php创建和删除目录函数介绍和递归删除目录函数分享
2014/11/18 PHP
php中smarty模板条件判断用法实例
2015/06/11 PHP
jQuery设置div一直在页面顶部显示的方法
2013/10/24 Javascript
多个checkbox被选中时如何判断是否有自己想要的
2014/09/22 Javascript
实现前后端数据交互方法汇总
2015/04/07 Javascript
Bootstrap3.0建站教程(一)之bootstrap表单元素排版
2016/06/01 Javascript
js利用clipboardData实现截屏粘贴功能
2016/10/12 Javascript
微信小程序 数组(增,删,改,查)等操作实例详解
2017/01/05 Javascript
原JS实现banner图的常用功能
2017/06/12 Javascript
jQuery实现判断上传图片类型和大小的方法示例
2018/04/11 jQuery
nodejs更改项目端口号的方法
2018/05/13 NodeJs
基于Vue-cli快速搭建项目的完整步骤
2018/11/03 Javascript
js中的面向对象之对象常见创建方法详解
2019/12/16 Javascript
[01:01]青春无憾,一战成名——DOTA2全国高校联赛开启
2018/02/25 DOTA
Python下线程之间的共享和释放示例
2015/05/04 Python
Python实现豆瓣图片下载的方法
2015/05/25 Python
python 截取 取出一部分的字符串方法
2017/03/01 Python
使用python 爬虫抓站的一些技巧总结
2018/01/10 Python
python使用for循环计算0-100的整数的和方法
2019/02/01 Python
python 使用pandas计算累积求和的方法
2019/02/08 Python
Python re 模块findall() 函数返回值展现方式解析
2019/08/09 Python
Python通过队列来实现进程间通信的示例
2020/10/14 Python
详解python日志输出使用配置文件格式
2021/02/10 Python
用python 绘制茎叶图和复合饼图
2021/02/26 Python
德国骆驼商店:ActiveFashionWorld
2017/11/18 全球购物
英国名牌男装店:Standout
2021/02/17 全球购物
mysql有关权限的表都有哪几个
2015/04/22 面试题
汽车专业大学生职业生涯规划范文
2014/01/07 职场文书
毕业横幅标语
2014/10/08 职场文书
医院营销工作计划
2015/01/16 职场文书
2015年护士节活动总结
2015/02/10 职场文书
小学生学习保证书
2015/02/26 职场文书
清明节寄语2015
2015/03/23 职场文书
2015年助理工程师工作总结
2015/04/03 职场文书
2016猴年春节问候语
2015/11/11 职场文书