2018-10-30

Scrapy框架中Spiders用法

原文地址：https://www.cnblogs.com/zhaof/p/7192503.html

Spider类定义了如何去爬取某个网站，包括爬取的动作以及如何从网页内容中提取结构化的数据，总的来说spider就是定义爬取的动作以及分析某个网页。

工作流程分析

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，将生产Response，并作为参数传给回调函数。spider中初始的Request是通过start_request()来获取的，start_request()获取start_urls的URL，并以parse回调函数生产Request。
2. 在回调函数内分析返回的网页内容，可以返回Item对象，或者DIct，或者Request，以及是一个包含三者的可迭代容器。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。
3. 在回调函数内，可以通过lxml，bs4，xpath，css等方法获取我们想要的内容生成item
4. 最后将item传递给Pipeline处理

我们以通过简单的分析源码来理解

我通常在写spiders下写爬虫的时候，我们并没有写start_requests来处理start_urls中的url，这是因为我们在继承的scrapy.Spider中已经写过了，我们可以点开scrapy.Spider查看分析

通过上述代码我们可以看到在父类里这里实现了start_requests方法，通过make_requests_from_url做了Request请求

如下图所示的一个例子，parse回调函数中的response就是父类列start_requests方法调用make_requests_from_url返回的结果，并且在parse回调函数中我们可以继续返回Request,如下属代码中yield Request()并设置回调函数。

spider内的一些常用属性

我们所有自己写的爬虫都是继承spider.Spider这个类

name:定义爬虫名字，我们通过命令启动的时候用的就是这个名字，这个名字必须是唯一的

allowed_domains:包含了spider允许爬取的域名列表。当offsiteMiddleware启用时，域名不在列表中URL不会被访问

所以在爬虫文件中，每次生成Request请求时都会和这里的域名判断

start_urls:起始的URL列表，这里会通过spider.SPider方法中调用start_request循环请求这个列表中每个地址

custom_settings:自定义配置，可以覆盖setting的配置，主要用于当我们队爬虫有特定需求设置的时候

设置的是以字典的方式设置：custom_settings={}

from_crawler:这是一个类方法，我们定义这样一个类方法，可以通过crawler.setting.get()这种凡是获取settings配置文件中的信息，同时这个也可以在pipeline中使用

start_requests():这个方法必须返回一个可迭代对象，该对象包含了spider用于爬取的第一个Request请求，这个方法是在被继承的父类中spider.spider中写的，默认是通过get请求，如果我们需要修改最开始的请求，可以重写这个方法，如果我们想通过post请求

parse(response)

这个其实默认的回调函数
负责处理response并返回处理的数据以及跟进的url
该方法以及其他的Request回调函数必须返回一个包含Request或Item的可迭代对象

Y's Blog