scrapy spider

spider

定义：在spiders文件夹中由用户自定义，继承scrapy.Spider类或其子类

Spider并没有提供什么特殊的功能。 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。

spider执行过程：

1 scrapy crawl 爬虫名 -a parameter1=value1 parameter2=value2

2 __init__函数执行

3 如果start_urls为空，则调用start_requests()，返回一个迭代器；如果start_urls不为空，则获取一个url，调用make_requests_from_url(url)，返回一个request

5 获取到一个response后调用parse(response)

主要字段

name，allowed_domains（可以是list），start_urls（可以是list）

主要方法

__init__

start_requests()（未获取到url时被调用）

make_requests_from_url(url)（获取到一个url后调用，返回request）

parse(response)（获取到一个response后调用）

log

closed(reason)（爬虫关闭时调用）

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_urlsURL

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

make_requests_from_url(url)

该方法接受一个URL并返回用于爬取的 Request 对象。 该方法在初始化request时被 start_requests() 调用，也被用于转化url为request。默认未被复写(overridden)的情况下，该方法返回的Request对象中， parse() 作为回调函数，dont_filter参数也被设置为开启。 (详情参见 Request).

parse(response)

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) Item 的可迭代的对象。参数:response (Response) – 用于分析的response