Python爬蟲框架之Scrapy中Spider的用法
Scrapy中Spider的用法
Spider類定義了如何爬取某個(或某些)網(wǎng)站。包括了爬取的動作(例如:是否跟進鏈接)以及如何從網(wǎng)頁的內容中提取結構化數(shù)據(jù)(爬取item)。換句話說,Spider就是您定義爬取的動作及分析某個網(wǎng)頁(或者是有些網(wǎng)頁)的地方。
對spider來說,爬取的循環(huán)類似下文:
1.以初始的URL初始化Request,并設置回調函數(shù)。當該request下載完畢并返回時,將生成response,并作為參數(shù)傳給該回調函數(shù)。spider中初始的request是通過調用start_requests()來獲取的。start_requests()讀取start_urls中的URL,并以parse為回調函數(shù)生成Request。
2.在回調函數(shù)內分析返回的(網(wǎng)頁)內容,返回ltem對象或者Request或者一個包括二者的可迭代容器。返回的Request對象之后會經(jīng)過Scrapy處理,下載相應的內容,并調用設置的callback函數(shù)(函數(shù)可相同)。
3.在回調函數(shù)內,您可以使用選擇器(Selectors)(您也可以使用BeautifulSoup, Ixml或者您想用的任何解析器)來分析網(wǎng)頁內容,并根據(jù)分析的數(shù)據(jù)生成item。
4.最后,由spider返回的item將被存到數(shù)據(jù)庫(由某些ltem Pipeline處理)或使用Feed exports存入到文件中。
雖然該循環(huán)對任何類型的spider都(多少)適用,但Scrapy仍然為了不同的需求提供了多種默認spider。之后將討論這些spider。
Spider
scrapy.spider.Spider是最簡單的spider。每個其他的spider必須繼承自該類(包括Scrapy自帶的其他spider以及您自己編寫的spider)。其僅僅請求給定的start_urls / start_requests,并根據(jù)返回的結果(resulting responses)調用spider的 parse方法。
name
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。不過您可以生成多個相同的spider實例(instance),這沒有任何限制。name是spider最重要的屬性,而且是必須的。
如果該spider爬取單個網(wǎng)站(single domain),一個常見的做法是以該網(wǎng)站(domain)(加或不加后綴)來命名spider。例如,如果spider爬取 mywebsite.com,該spider通常會被命名為mywebsite。
allowed_domains
可選。包含了spider允許爬取的域名(domain)列表(list)。當OffsiteMiddleware啟用時,域名不在列表中的URL不會被跟進。
start_urls
URL列表。當沒有制定特定的URL時,spider將從該列表中開始進行爬取。因此,第一個被獲取到的頁面的URL將是該列表之一。后續(xù)的URL將會從獲取到的數(shù)據(jù)中提取。
start_requests()
該方法必須返回一個可迭代對象(iterable)。該對象包含了spider用于爬取的第一個Request。
當spider啟動爬取并且未制定URL時,該方法被調用。當指定了URL時,make_requests_from_url()將被調用來創(chuàng)建Request對象。該方法僅僅會被Scrapy調用一次,因此您可以將其實現(xiàn)為生成器。
該方法的默認實現(xiàn)是使用start_urls的url生成Request。
如果您想要修改最初爬取某個網(wǎng)站的Request對象,您可以重寫(override)該方法。例如,如果您需要在啟動時以POST登錄某個網(wǎng)站,你可以這么寫:
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
當response沒有指定回調函數(shù)時,該方法是Scrapy處理下載的response的默認方法。
parse負責處理response并返回處理的數(shù)據(jù)以及(/或)跟進的URL。Spider對其他的Request的回調函數(shù)也有相同的要求。
該方法及其他的Request回調函數(shù)必須返回一個包含Request 及(或) ltem的可迭代的對象。
參數(shù): response-用于分析的response
啟動方式
start_urls
start_urls是一個列表
start_requests
使用start_requests()重寫start_ur1s,要使用Request()方法自己發(fā)送請求:
def start_requests(se7f): """重寫start_urls 規(guī)則""" yield scrapy.Request(ur1='http://quotes.toscrape.com/page/1/'cal1back=self.parse)
scrapy.Request
scrapy.Request是一個請求對象,創(chuàng)建時必須制定回調函數(shù)。
數(shù)據(jù)保存
可以使用-o將數(shù)據(jù)保存為常見的格式(根據(jù)后綴名保存)
支持的格式有下面幾種:
- json
- jsonlines
- jl
- csv
- xml
- marshal
- pickle
使用方式:
scrapy crawl quotes2 -o a.json
案例: Spider樣例
##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)
到此這篇關于Python爬蟲框架之Scrapy中Spider的用法的文章就介紹到這了,更多相關Spider的用法內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
相關文章
Python基于pandas爬取網(wǎng)頁表格數(shù)據(jù)
這篇文章主要介紹了Python基于pandas獲取網(wǎng)頁表格數(shù)據(jù),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-05-05如何利用python批量提取txt文本中所需文本并寫入excel
最近幫人寫了幾個小程序,所以記錄下,下面這篇文章主要給大家介紹了關于如何利用python批量提取txt文本中所需文本并寫入excel的相關資料,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下2022-07-07Python 檢查數(shù)組元素是否存在類似PHP isset()方法
isset方法來檢查數(shù)組元素是否存在,在Python中無對應函數(shù),在Python中一般可以通過異常來處理數(shù)組元素不存在的情況,而無須事先檢查2014-10-10Appium Python自動化測試之環(huán)境搭建的步驟
這篇文章主要介紹了Appium Python自動化測試之環(huán)境搭建的步驟,以32位的Windows 7操作系統(tǒng)為例介紹Appium+Python的環(huán)境搭建步驟,感興趣的小伙伴們可以參考一下2019-01-01