Scrapy（六）：Spider

总结自：Spiders — Scrapy 2.5.0 documentation

Spider

1、综述

①在回调函数Parse及其他自写的回调函数中，必须返回Item对象、Request对象、或前两种对象的迭代器形式。这些Requests同样也必须包含一个回调函数，之后它们的Response会被特定的回调函数处理；

注：除了start_request方法，其他方法的回调函数必须手动实现在Spider中，如果不写回调函数，会默认视为parse方法。

②在回调函数中，我们通常通过Selector（或BeautifulSoup、lxml、...）爬取页面内容，并用爬取到的数据构造Items

③这些从Spider中返回的Item通常会经过Pipeline处理之后放入数据库或者通过输出命令时的输出参数，直接输出到文件中。

2、属性

属性	说明
name	Spider的名字，通常直接命名为域名，即网址中不加前缀和后缀的部分
allowed_domains	可选，允许访问的网址范围；只有当OffsiteMiddleware开启时才起作用
start_urls	一个URL List；爬虫开始的URL
custom_settings	关于要被重写的Settings的Dict；具体设置项见Built-in settings reference.
crawler	该参数通过方法from_crawler()设置，标识了爬虫绑定的Crawler对象
settings	一个Setting对象，标识爬虫运行时的配置
logger	日志

3、方法

方法	说明
from_crawler	被Scrapy用于创造spiders，通常不用管，因为该方法和__init__作用差不多，处理要传入的参数时，只需用处理__init__的方法就可以
start_requests	Scrapy开始时调用该方法处理start_urls，该方法必须返回一个Request对象。Scrapy只调用该方法一次，所以用该方法创建Generator是安全的。
parse	默认回调函数（当Request并没有指定回调函数时起作用）
log	发送日志信息
closed	当Spider关闭时被调用。该方法与spider_closed标记相关联

3.5、部分方法的说明

①start_requests

如果没有重写该方法，该方法默认会对start_url中的每个URL使用方法Request(url,dont_filter=True)。

重写示例：如果你想在一开始模拟一个登录的POST请求，可以这样写：

def start_requests(self)：
    return [scrapy.FormRequest('http://www.example.com/login'),
                  formdata={'user':'jon','pass':'secret'},
                  callback=self.logged_in)]
def logged_in(self,response):
    pass

②parse

默认回调函数；该方法返回：a、爬取到的数据（以Item形式）；b、更多后续URL（以Iterable of Request形式）；

其他回调函数同样需要返回以上两种数据，这里所说的几种返回形式如下：

# a、item
    item['attr1']=values1
    ...
return item

#  b、request
    return scrapy.Request(...)

# a与b的iterable形式
    yield item
    yield scrapy.Request(...)

4、命令行传入Spider参数

Spider可以接收参数来修正其行为。这些参数的一般用法是：a、定义起始URLs；b、限制爬取网页的特定部分；c、也能用来设置Spider的部分功能；

Spider参数在命令行运行crawl命令时，通过-a项传递进来，传递方式为：-a attr=value

例如：

scrapy crawl myspider -a category=electronics

Spiders可以在其__init__方法中(Spider.py文件中重写__init__，而不是__init__文件中)访问这些传递进来的参数：

import scrapy
class MySpider(scrapy.Spider)：
    name='myspider'

    def __init__(self,category=None,*args,**kws):
        super(MySpider,self).__init__(*args,**kw)
        self.start_urls=[f'http://www.example.com/categories/{category}']

默认的__init__方法将接收任何Spider参数并将它们复制为Spiders的属性，所以这些传递进来的参数，可以在Spiders.py中的任意方法中通过self.attr的方式访问。

需要注意的是，这些传递进来的参数全都是string，且名字不要设置为start_urls

5、继承Spider

Scrapy中有许多有用的继承Spider，你可以用它们作为父类写自己的Spider。

在以下的例子中，假设我们项目中的Item文件为：

import scrapy
class TestItem(scrapy.Item):
    id=scrapy.Field()
    name=scrapy.Field()
    description=scrapy.Field()

5.1、CrawlSpider

这个Spider是爬取有规律的URL时最常用的Spider，因为其提供了一个方便的机制去获取一系列具有一定规则的URL。

①属性

除了继承自Spider的那些属性外（见本节第2部分），还有一个属性rules

rules：一个Rule对象List，List中的每个Rule都定义了一个爬取URL的规则。如果有多种rules同时匹配了同一个URL，那么只会使用这些rule中第一个（按顺序）。

关于Rule对象，可以看5.1.③

②方法

除了继承自Spider的方法外，还有一个方法parse_start_url

该方法只为start_urls中的URL提供处理方法（原因是，首页的URL可能与那些规则并不一致，需要额外处理，这个处理函数就是该方法）。该方法同样必须返回a、Item对象；b、Request对象；c、包含上述两项的Iterable对象。

③Rule

scrapy.spiders.Rule(
    link_extractor, callback,
    cb_kewargs, follow, errback,
    process_links, process_request
)

参数：

参数	说明
link_extractor	Link Extractor对象；定义了需要爬取的URL规则。 如果省略该项，那么视为无规则，将提取所有URL
callback	回调函数；对符合规则的URL用回调函数进行处理。 回调函数构造时，接收Response作为其第一个参数且必须返回一个Item或Request对象（或它们的Iterable）。这些Response对象将包含这些Link的文本信息，如果要访问它们的话，可以在Reponse对象的meta属性（meta是Dict）中，通过link_text作为Key访问
cb_kwargs	一个Dict；其中包含了传入回调函数中的参数
follow	Boolean；每个Response中的link是否应该遵循Rule进行跟进（即每个Response中如果有符合Rule的URL，是否也对该URL进行爬取），如果没指定callback，那么该项默认为True，否则为False
process_links	符合Rule的Link进行处理的函数。可以用于筛选。当调用该方法之后，才会再调用callback方法。
process_request	对通过Rule提取到的Request调用该方法。该方法接收两个参数：Request与Response（产生参数Request的那个Response）。必须返回一个Request对象或None。
errback	异常处理调用函数

注意：

当自己写CrawlSpider子类时，需要明确指定callback响应函数，否则会产生预期之外的错误。

④例子

import scrapy
from scrapy.spiders import CrawlSpider,Rule
from scrapy.linkextractors import LinkExtractor

class MySpider(CrawlSpider):
    name='example'
    allowed_domains=['example.com']
    start_urls=['http://www.example.com']
    rules=(
    Rule(LinkExtractor(allow=('category\.php',),deny=('subsection\.php',))),
    Rule(LinkExtractor(allow=('item\.php',)),callback='parse_item'),
    )
def parse_item(self,response):
    self.logger.info('Hi,this is an item page!%s',response.url)
    item=scrapy.Item()
    item['id']=response.xpath('//td[@id="item_id"]/text()').re(r'ID:(\d+)')
    item['name']=response.xpath('//td[@id="item_name"]/text()').extract()[0]
    item['description']=response.xpath('//td[@id="item_description"]/text()').extract()[0]
    item['link_text']=response.meta['link_text']
    url=response.xpath('//td[@id="additional_data"]/@href').get()
    return response.follow(url,self.parse_additional_page,cb_kwargs=dict(item=item))
def parse_additional_page(self,response,item):
    item['additional_data']=response.xpath('//p[@id="additional_data"]/text()').get()
    return item
    

这个Spider的作用是爬取example.com的首页，并收集category、item的链接，用parse_item爬取后续页面。对每个Item Response，一些数据将会从该HTML中通XPath表达式提取出来，并且这些数据将会填充到Item项。