拆解 scrapy.Spider
本次采集的目標(biāo)站點為：優(yōu)設(shè)網(wǎng)
每次創(chuàng)建一個 spider 文件之后，都會默認(rèn)生成如下代碼：
|
1
2
3
4
5
6
7
8
|
import scrapyclass UiSpider(scrapy.Spider): name = 'ui' allowed_domains = ['www.uisdc.com'] start_urls = ['http://www.uisdc.com/'] def parse(self, response): self.log() |
繼承的基類 scrapy.Spider 自然就成了我們要研究的第一個內(nèi)容，進入其源碼，發(fā)現(xiàn)如下內(nèi)容。
scrapy.Spider 核心實現(xiàn)的是 start_requests 方法
Spider 主要進行的操作就是初始化 Request 請求，而這些都是通過 start_requests 實現(xiàn)的，詳細(xì)代碼為：
|
1
2
|
for url in self.start_urls: yield Request(url, dont_filter=True) |
對 start_requests 方法，你可以自己編寫同名函數(shù)覆蓋修改，編寫時發(fā)現(xiàn)了 make_requests_from_url 方法，該方法在最新版本的 scrapy 中已經(jīng)被廢除。
重寫 start_requests 方法 ，需要注意重寫時，必須返回一個可迭代對象，并且該對象包含 spider 用于爬取的第 1 個 Request，由于 scrapy 只調(diào)用一次該方法，所以你可以將登錄站點請求放置到該方法中。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
import scrapyfrom scrapy.http import Requestclass UiSpider(scrapy.Spider): name = 'ui' allowed_domains = ['www.uisdc.com'] start_urls = ['http://www.uisdc.com/'] def start_requests(self): print("重寫 start_requests") yield Request(self.start_urls[0]) def parse(self, response): print(response) |
將登錄信息放置到 start_requests 中，代碼如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
import scrapyfrom scrapy.http import FormRequestclass UiSpider(scrapy.Spider): name = 'ui' allowed_domains = ['www.uisdc.com'] start_urls = ['http://www.uisdc.com/'] def start_requests(self): print("手動 start_requests") yield FormRequest("https://httpbin.org/post", formdata={"user": "ca"}, callback=self.parse) def parse(self, response): print(response.text) |
scrapy.Spider 屬性值
name 屬性：
表示爬蟲名稱，spider 的名稱用于 scrapy 定位爬蟲，所以非常重要，一般常見的名稱方式是使用網(wǎng)站域名（domain），命名 spider，例如 baidu.com 命名為 baidu，但是工作喜歡還是攜帶 .com 后綴。
allowed_domains 屬性：
該屬性需要配置 offsiteMiddleware 使用，當(dāng)該中間件啟用之后，待采集 URL 的域名如果不在 allowed_domains 列表中，會被禁止訪問。
domains 內(nèi)容添加，假設(shè)你的目標(biāo) URL 是 http://www.baidu.com/123.html，僅填寫 baidu.com 即可。
start_urls 屬性：
起始的 URL 列表，主要用于 start_request 方法進行迭代。
custom_settings 屬性：
自定義配置，可以覆蓋 settings.py 的配置，以字典格式賦值。
|
1
2
3
|
custom_settings = { "ROBOTSTXT_OBEY": False # 不請求 robot.txt 文件} |
crawler 屬性：
該屬性在爬蟲啟動后，由類方法 from_crawler() 設(shè)置。
settings 屬性：
指定配置文件的實例。
logger 屬性：
spider 日志輸出對象，默認(rèn)以 spider 名稱創(chuàng)建，可以自定義。
|
1
2
|
self.logger.info('輸出響應(yīng)地址 %s', response.url)logger.info('輸出響應(yīng)地址 %s', response.url) |
補充一下 scrapy 日志級別
在 settings.py 中設(shè)置 log 級別，只需要增加一行代碼：
|
1
|
LOG_LEVEL = 'WARNING' |
設(shè)置為 WARNING 級別，會發(fā)現(xiàn) scrapy 默認(rèn)的各種調(diào)試信息，都不在控制臺輸出。
scrapy 日志級別與 logging 模塊一致。
CRITICAL：嚴(yán)重錯誤；
ERROR ：一般錯誤；
WARNING： 警告信息；
INFO ：一般信息；
DEBUG：調(diào)試信息。
在 scrapy 中的 settings 中關(guān)于日志的配置如下：
LOG_ENABLED：默認(rèn): True，表示啟用 logging；
LOG_ENCODING： 默認(rèn): utf-8，logging 使用的編碼；
LOG_FILE 默認(rèn): None，日志保存的文件名；
LOG_LEVEL： 默認(rèn) DEBUG ，log 的最低級別。
scrapy.Spider 實例方法與類方法
from_crawler 類方法
在查看源碼之后，該方法的功能會比較清晰。
|
1
2
3
4
5
6
7
8
9
10
|
@classmethoddef from_crawler(cls, crawler, *args, **kwargs): spider = cls(*args, **kwargs) spider._set_crawler(crawler) return spiderdef _set_crawler(self, crawler): self.crawler = crawler self.settings = crawler.settings crawler.signals.connect(self.close, signals.spider_closed) |
該方法設(shè)置了 crawler 和 settings 兩個屬性，該方法在上一篇博客已經(jīng)有所涉及，直接回顧即可。
parse 方法
當(dāng)請求（Request）沒有指定回調(diào)參數(shù)（callback）時，該方法是 scrapy 用來處理響應(yīng)的默認(rèn)回調(diào)方法。
log 方法
使用 self.log() 方法記錄日志。
學(xué)習(xí)到這里，對 Spider 模塊有了一個比較整體的認(rèn)識。
爬取優(yōu)設(shè)網(wǎng)
接下來進入爬蟲采集相關(guān)代碼編寫，有了前文知識鋪墊之后，采集代碼就變得非常簡單了。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
import scrapyfrom uisdc.items import UisdcItemclass UiSpider(scrapy.Spider): name = 'ui' allowed_domains = ['www.uisdc.com'] start_urls = ['https://www.uisdc.com/archives'] custom_settings = { "ROBOTSTXT_OBEY": False } def parse(self, response): # print(response.text) # self.log("測試是否有數(shù)據(jù)輸出", logging.WARNING) items = response.xpath('//div[@id="archive_list"]/div/div[1]/div[1]/div[contains(@class,"item-article")]') for i in items: item = UisdcItem() title = i.xpath(".//h2[@class='item-title']/a/text()").extract_first() author = i.xpath(".//h3[@class='meta-name']/text()").extract_first() tag = i.xpath(".//div[@class='meta-tag']/a/text()").extract_first() item["title"] = title item["author"] = author item["tag"] = tag yield item |
接下來修改源碼，增加 ** Item Loaders** 填充容器機制。通過 from scrapy.loader import ItemLoader 導(dǎo)入新類，該類的構(gòu)造函數(shù)如下：
|
1
|
def __init__(self, item=None, selector=None, response=None, parent=None, **context) |
其中 item 是容器類，selector 為 Selector 對象，提取填充數(shù)據(jù)的選擇器，response 為 Response 響應(yīng)對象。
代碼修改之后得到如下代碼：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
import scrapyfrom uisdc.items import UisdcItemfrom scrapy.loader import ItemLoaderclass UiSpider(scrapy.Spider): name = 'ui' allowed_domains = ['www.uisdc.com'] start_urls = ['https://www.uisdc.com/archives'] custom_settings = { "ROBOTSTXT_OBEY": False } def parse(self, response): items = response.xpath('//div[@id="archive_list"]/div/div[1]/div[1]/div[contains(@class,"item-article")]') for i in items: l = ItemLoader(item=UisdcItem(), selector=i) l.add_xpath('title', ".//h2[@class='item-title']/a/text()") l.add_xpath('author', ".//h3[@class='meta-name']/text()") l.add_xpath('tag', ".//div[@class='meta-tag']/a/text()") yield l.load_item() |
其中需要注意 l = ItemLoader(item=UisdcItem(), selector=i) 使用 selector 參數(shù)，并賦值為迭代變量 i，如果使用 response 會得到重復(fù)數(shù)據(jù)。
最后，當(dāng)所有數(shù)據(jù)被收集起來之后, 調(diào)用 ItemLoader.load_item() 方法, 返回 Item 對象。
輸出 item 對象，發(fā)現(xiàn)每一個數(shù)據(jù)都是列表。
|
1
2
3
|
{'author': ['土撥鼠'], 'tag': ['產(chǎn)品設(shè)計'], 'title': ['6000+干貨！資深總監(jiān)的四條產(chǎn)品設(shè)計工作觀（附私藏神器包）']} |
接下來需要處理每一項的值，ItemLoader 得到的數(shù)據(jù)，在存入 item 容器前，是支持對數(shù)據(jù)進行預(yù)處理的，即輸入處理器和輸出處理器，修改 items.py 文件。
|
1
2
3
4
5
6
7
8
9
10
11
12
|
from scrapy.item import Item, Fieldfrom scrapy.loader.processors import MapCompose, TakeFirstdef ext(value): return "新聞：" + valueclass UisdcItem(Item): # define the fields for your item here like: title = Field( input_processor=MapCompose(ext), output_processor=TakeFirst() ) author = Field(output_processor=TakeFirst()) tag = Field(output_processor=TakeFirst()) |
Field 字段的兩個參數(shù)：
輸入處理器（input_processor）：可以在傳進來的值做一些預(yù)處理。
輸出處理器（output_processor） ：輸出值前最后的一步處理。
其中用到了 TakeFirst()，返回第一個非空（non-null/ non-empty）值，常用于單值字段的輸出處理器，無參數(shù)。
還用到了 MapCompose，能把多個函數(shù)執(zhí)行的結(jié)果按順序組合起來，產(chǎn)生最終的輸出，通常用于輸入處理器。
其余內(nèi)置的處理器如下
Identity：不進行任何處理，返回原來的數(shù)據(jù)，無參數(shù)；
Join：返回用分隔符連接后的值，分隔符默認(rèn)為空格；
Compose：用給定的多個函數(shù)的組合，來構(gòu)造處理器，list 對象一次被傳遞到各個函數(shù)中，由最后一個函數(shù)返回整個處理器的輸出，默認(rèn)情況下遇到 None值（list 中有 None 值）的時候停止處理，可以通過傳遞參數(shù) stop_on_none = False 改變這種行為；
MapCompose：輸入值是被迭代的處理的，List 對象中的每一個元素被單獨傳入，依次執(zhí)行對應(yīng)函數(shù)。
關(guān)于 item loader 還有一些其它的知識點，我們后面再聊。
以上就是python scrapy拆解查看Spider類爬取優(yōu)設(shè)網(wǎng)極細(xì)講解的詳細(xì)內(nèi)容，更多關(guān)于scrapy拆解Spider類爬取優(yōu)設(shè)網(wǎng)的資料請關(guān)注服務(wù)器之家其它相關(guān)文章！
原文鏈接：https://blog.csdn.net/hihell/article/details/120936534
