關于Scrapy框架下Spider類的簡介

這篇文章主要介紹關于Scrapy框架下Spider類的簡介，文中介紹的非常詳細，具有一定的參考價值，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(或某些)網站。包括了爬取的動作(例如:是否跟進鏈接)以及如何從網頁的內容中提取結構化數據(爬取item)。

換句話說，Spider就是您定義爬取的動作及分析某個網頁(或者是有些網頁)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類。

主要用到的函數及調用順序為：

__init__() : 初始化爬蟲名字和start_urls列表

start_requests() 調用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（需指定回調函數）。Item傳給Item pipline持久化 ， 而Requests交由Scrapy下載，并由指定的回調函數處理（默認parse())，一直進行循環，直到處理完所有的數據為止。

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
    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，中斷后續操作則報錯
        elif not getattr(self, 'name', None):
            raise ValueError("%s must have a name" % type(self).__name__)
        # python 對象或類型通過內置成員__dict__來存儲成員信息
        self.__dict__.update(kwargs)
        #URL列表。當沒有指定的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。 后續的URL將會從獲取到的數據中提取。
        if not hasattr(self, 'start_urls'):
            self.start_urls = []
    # 打印Scrapy執行后的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內的地址，并為每一個地址生成一個Request對象，交給Scrapy下載并返回Response
    #該方法僅調用一次
    def start_requests(self):
        for url in self.start_urls:
            yield self.make_requests_from_url(url)
    #start_requests()中調用，實際生成Request的函數。
    #Request對象默認的回調函數為parse()，提交的方式為get
    def make_requests_from_url(self, url):
        return Request(url, dont_filter=True)
    #默認的Request對象回調函數，處理返回的response。
    #生成Item或者Request對象。用戶必須實現這個類
    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。當沒有制定特定的URL時，spider將從該列表中開始進行爬取。
start_requests(self)
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（默認實現是使用 start_urls 的url）的第一個Request。
當spider啟動爬取并且未指定start_urls時，該方法被調用。
parse(self, response)
當請求url返回網頁沒有指定回調函數時，默認的Request對象回調函數。用來處理網頁返回的response，以及生成Item或者Request對象。

以上是關于Scrapy框架下Spider類的簡介的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！