拆解 scrapy.Spider

本次采集的目標(biāo)站點(diǎn)為：優(yōu)設(shè)網(wǎng)

每次創(chuàng)建一個(gè) spider 文件之后，都會(huì)默認(rèn)生成如下代碼：

import scrapy
class 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(gè)內(nèi)容，進(jìn)入其源碼，發(fā)現(xiàn)如下內(nèi)容。

scrapy.Spider 核心實(shí)現(xiàn)的是 start_requests 方法

Spider 主要進(jìn)行的操作就是初始化 Request 請(qǐng)求，而這些都是通過(guò) start_requests 實(shí)現(xiàn)的，詳細(xì)代碼為：

for url in self.start_urls:
    yield Request(url, dont_filter=True)

對(duì) start_requests 方法，你可以自己編寫同名函數(shù)覆蓋修改，編寫時(shí)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(shí)，必須返回一個(gè)可迭代對(duì)象，并且該對(duì)象包含 spider 用于爬取的第 1 個(gè) Request，由于 scrapy 只調(diào)用一次該方法，所以你可以將登錄站點(diǎn)請(qǐng)求放置到該方法中。

import scrapy
from scrapy.http import Request
class 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：

import scrapy
from scrapy.http import FormRequest
class UiSpider(scrapy.Spider):
    name = 'ui'
    allowed_domains = ['www.uisdc.com']
    start_urls = ['http://www.uisdc.com/']

    def start_requests(self):
        print("手動(dòng) 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(huì)被禁止訪問(wèn)。
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(jìn)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。

    custom_settings = {
        "ROBOTSTXT_OBEY": False # 不請(qǐng)求 robot.txt 文件
    }

crawler 屬性：

該屬性在爬蟲啟動(dòng)后，由類方法 from_crawler() 設(shè)置。

settings 屬性：

指定配置文件的實(shí)例。

logger 屬性：

spider 日志輸出對(duì)象，默認(rèn)以 spider 名稱創(chuàng)建，可以自定義。

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(bǔ)充一下 scrapy 日志級(jí)別

在 settings.py 中設(shè)置 log 級(jí)別，只需要增加一行代碼：

LOG_LEVEL = 'WARNING'

設(shè)置為 WARNING 級(jí)別，會(huì)發(fā)現(xiàn) scrapy 默認(rèn)的各種調(diào)試信息，都不在控制臺(tái)輸出。

scrapy 日志級(jí)別與 logging 模塊一致。

CRITICAL：嚴(yán)重錯(cuò)誤；

ERROR ：一般錯(cuò)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(jí)別。

scrapy.Spider 實(shí)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(huì)比較清晰。

@classmethod
def from_crawler(cls, crawler, *args, **kwargs):
    spider = cls(*args, **kwargs)
    spider._set_crawler(crawler)
    return spider

def _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(gè)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(qǐng)求（Request）沒(méi)有指定回調(diào)參數(shù)（callback）時(shí)，該方法是 scrapy 用來(lái)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(duì) Spider 模塊有了一個(gè)比較整體的認(rèn)識(shí)。

爬取優(yōu)設(shè)網(wǎng)

接下來(lái)進(jìn)入爬蟲采集相關(guān)代碼編寫，有了前文知識(shí)鋪墊之后，采集代碼就變得非常簡(jiǎn)單了。

import scrapy
from uisdc.items import UisdcItem
class 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(cè)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(lái)修改源碼，增加 ** Item Loaders** 填充容器機(jī)制。通過(guò) from scrapy.loader import ItemLoader 導(dǎo)入新類，該類的構(gòu)造函數(shù)如下：

def __init__(self, item=None, selector=None, response=None, parent=None, **context)

其中 item 是容器類，selector 為 Selector 對(duì)象，提取填充數(shù)據(jù)的選擇器，response 為 Response 響應(yīng)對(duì)象。

代碼修改之后得到如下代碼：

import scrapy
from uisdc.items import UisdcItem
from scrapy.loader import ItemLoader
class 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(huì)得到重復(fù)數(shù)據(jù)。

最后，當(dāng)所有數(shù)據(jù)被收集起來(lái)之后, 調(diào)用 ItemLoader.load_item() 方法, 返回 Item 對(duì)象。

輸出 item 對(duì)象，發(fā)現(xiàn)每一個(gè)數(shù)據(jù)都是列表。

{'author': ['土撥鼠'],
 'tag': ['產(chǎn)品設(shè)計(jì)'],
 'title': ['6000+干貨！資深總監(jiān)的四條產(chǎn)品設(shè)計(jì)工作觀（附私藏神器包）']}

接下來(lái)需要處理每一項(xiàng)的值，ItemLoader 得到的數(shù)據(jù)，在存入 item 容器前，是支持對(duì)數(shù)據(jù)進(jìn)行預(yù)處理的，即輸入處理器和輸出處理器，修改 items.py 文件。

from scrapy.item import Item, Field
from scrapy.loader.processors import MapCompose, TakeFirst
def ext(value):
    return "新聞：" + value
class 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(gè)參數(shù)：

輸入處理器（input_processor）：可以在傳進(jìn)來(lái)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(gè)非空（non-null/ non-empty）值，常用于單值字段的輸出處理器，無(wú)參數(shù)。

還用到了 MapCompose，能把多個(gè)函數(shù)執(zhí)行的結(jié)果按順序組合起來(lái)，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(jìn)行任何處理，返回原來(lái)的數(shù)據(jù)，無(wú)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(gè)函數(shù)的組合，來(lái)構(gòu)造處理器，list 對(duì)象一次被傳遞到各個(gè)函數(shù)中，由最后一個(gè)函數(shù)返回整個(gè)處理器的輸出，默認(rèn)情況下遇到 None值（list 中有 None 值）的時(shí)候停止處理，可以通過(guò)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(duì)象中的每一個(gè)元素被單獨(dú)傳入，依次執(zhí)行對(duì)應(yīng)函數(shù)。

關(guān)于 item loader 還有一些其它的知識(shí)點(diǎn)，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(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論