You are here:  Home » Python » 通用蜘蛛爬虫抓取采集数据scrapy.Spider(14)python SCRAPY最新教程1.51以上版本

蜘蛛是定义如何抓取某个站点(或一组站点)的类,包括如何执行爬行(即跟随链接)以及如何从其页面中提取结构化数据(即抓取项目)。换句话说,Spiders是您为特定站点(或者在某些情况下,一组站点)爬网和解析页面定义自定义行为的地方。

对于蜘蛛,刮擦周期经历如下:

  1. 首先生成初始请求以爬网第一个URL,并指定要使用从这些请求下载的响应调用的回调函数。

    第一个执行请求是通过调用 start_requests()(默认情况下)为在请求中作为回调函数的方法中Request指定的URL start_urlsparse方法生成的 方法获得的。

  2. 在回调函数中,您解析响应(网页)并返回带有提取的数据,Item对象, Request对象或这些对象的可迭代的dicts。这些请求还将包含一个回调(可能相同),然后由Scrapy下载,然后由指定的回调处理它们的响应。

  3. 在回调函数中,您通常使用选择器解析页面内容 (但您也可以使用BeautifulSoup,lxml或您喜欢的任何机制)并使用解析的数据生成项目。

  4. 最后,从蜘蛛返回的项目通常会持久保存到数据库(在某些项目管道中)或使用Feed导出写入文件。

即使这个循环(或多或少)适用于任何类型的蜘蛛,但是为了不同的目的,Scrapy中捆绑了不同种类的默认蜘蛛。我们将在这里讨论这些类型。

 

 

scrapy.Spider

scrapy.spiders.Spider
这是最简单的蜘蛛,也是每个其他蜘蛛必须继承的蜘蛛(包括与Scrapy捆绑在一起的蜘蛛,以及你自己编写的蜘蛛)。它不提供任何特殊功能。它只提供了一个默认start_requests()实现,它从start_urlsspider属性发送请求,并parse 为每个结果响应调用spider的方法。

name
一个字符串,用于定义此蜘蛛的名称。蜘蛛名称是Scrapy如何定位(并实例化)蜘蛛,因此它必须是唯一的。但是,没有什么可以阻止您实例化同一个蜘蛛的多个实例。这是最重要的蜘蛛属性,它是必需的。

如果蜘蛛刮擦单个域,通常的做法是在域之后命名蜘蛛,无论是否有TLD。因此,例如,mywebsite.com经常会调用 爬行的蜘蛛mywebsite

注意

在Python 2中,这必须只是ASCII。

allowed_domains
包含允许此爬网爬网的域的字符串的可选列表。如果OffsiteMiddleware启用,则不会遵循对不属于此列表(或其子域)中指定的域名的URL的请求 。

假设你的目标网址是https://www.example.com/1.html,然后添加'example.com'到列表中。

start_urls
当没有指定特定URL时,蜘蛛将开始爬网的URL列表。因此,下载的第一页将是此处列出的页面。后续Request将从起始URL中包含的数据连续生成。
custom_settings
运行此蜘蛛时将从项目范围配置中覆盖的设置字典。必须将其定义为类属性,因为在实例化之前更新了设置。

有关可用内置设置的列表,请参阅: 内置设置参考

crawler
from_crawler()初始化类后,此属性由类方法设置,并链接Crawler到此spider实例绑定到的对象。

Crawler在项目中封装了许多组件,用于单一条目访问(例如扩展,中间件,信号管理器等)。请参阅Crawler API以了解有关它们的更多信息。

settings
运行此蜘蛛的配置。这是一个 Settings实例,请参阅“ 设置”主题以获取有关此主题的详细介绍。
logger
使用Spider创建的Python记录器name。您可以使用它来发送日志消息,如“ 从蜘蛛记录”中所述 。
from_crawlercrawler* args** kwargs 
这是Scrapy用于创建蜘蛛的类方法。

您可能不需要直接覆盖它,因为默认实现充当方法的代理__init__(),使用给定的参数args和命名参数kwargs调用它。

尽管如此,此方法 在新实例中设置crawlersettings属性,以便稍后可以在蜘蛛代码中访问它们。

参数:
  • crawlerCrawlerinstance) – 蜘蛛绑定到的爬虫
  • argslist) – 传递给__init__()方法的参数
  • kwargsdict) – 传递给__init__()方法的关键字参数
start_requests
此方法必须返回一个iterable,其中包含第一个要爬网的请求。当蜘蛛被打开以进行刮擦时,Scrapy会调用它。Scrapy只调用一次,因此start_requests()作为生成器实现是安全 的。

为每个URL 生成默认实现。Request(url, dont_filter=True)start_urls

如果要更改用于开始抓取域的请求,则这是要覆盖的方法。例如,如果您需要使用POST请求登录,则可以执行以下操作:

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

    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

 

parse回应
这是Scrapy在其请求未指定回调时处理下载的响应时使用的默认回调。

parse方法负责处理响应并返回要删除的数据和/或更多URL。其他请求回调与Spider类具有相同的要求。

此方法以及任何其他Request回调必须返回可迭代的Request和/或dicts或Item对象。

参数: responseResponse) – 对解析的响应
log消息[级别组件]
通过Spider发送日志消息的包装器,logger用于向后兼容。有关更多信息,请参阅 蜘蛛记录
closed原因
蜘蛛关闭时调用。此方法为signal.connect()提供信号的快捷方式spider_closed

我们来看一个例子:

import scrapy


class MySpider(scrapy.Spider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = [
        'http://www.example.com/1.html',
        'http://www.example.com/2.html',
        'http://www.example.com/3.html',
    ]

    def parse(self, response):
        self.logger.info('A response from %s just arrived!', response.url)

 

从单个回调中返回多个请求和项目:

import scrapy

class MySpider(scrapy.Spider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = [
        'http://www.example.com/1.html',
        'http://www.example.com/2.html',
        'http://www.example.com/3.html',
    ]

    def parse(self, response):
        for h3 in response.xpath('//h3').extract():
            yield {"title": h3}

        for url in response.xpath('//a/@href').extract():
            yield scrapy.Request(url, callback=self.parse)

 

而不是start_urls你可以start_requests()直接使用; 为数据提供更多结构,您可以使用项目

import scrapy
from myproject.items import MyItem

class MySpider(scrapy.Spider):
    name = 'example.com'
    allowed_domains = ['example.com']

    def start_requests(self):
        yield scrapy.Request('http://www.example.com/1.html', self.parse)
        yield scrapy.Request('http://www.example.com/2.html', self.parse)
        yield scrapy.Request('http://www.example.com/3.html', self.parse)

    def parse(self, response):
        for h3 in response.xpath('//h3').extract():
            yield MyItem(title=h3)

        for url in response.xpath('//a/@href').extract():
            yield scrapy.Request(url, callback=self.parse)

 

 

蜘蛛参数

蜘蛛可以接收修改其行为的参数。spider参数的一些常见用途是定义起始URL或将爬网限制到站点的某些部分,但它们可用于配置spider的任何功能。

crawl使用该-a选项通过命令 传递Spider参数。例如:

scrapy crawl myspider -a category=electronics
蜘蛛可以在__init__方法中访问参数:

import scrapy

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

    def __init__(self, category=None, *args, **kwargs):
        super(MySpider, self).__init__(*args, **kwargs)
        self.start_urls = ['http://www.example.com/categories/%s' % category]
        # ...

 

默认的__init__方法将接受任何spider参数并将它们作为属性复制到spider。上面的例子也可以写成如下:

import scrapy

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

    def start_requests(self):
        yield scrapy.Request('http://www.example.com/categories/%s' % self.category)

 

请记住,蜘蛛参数只是字符串。蜘蛛本身不会进行任何解析。如果要从命令行设置start_urls属性,则必须使用ast.literal_eval 或json.loads 等方法将其自行解析为列表 ,然后将其设置为属性。否则,您将导致对start_urls字符串的迭代(一个非常常见的python陷阱),导致每个字符被视为一个单独的url。

有效的用例是设置由以下所用HttpAuthMiddleware 的用户代理使用的http身份验证凭据UserAgentMiddleware

scrapy crawl myspider -a http_user=myuser -a http_pass=mypassword -a user_agent=mybot

 

Spider参数也可以通过Scrapyschedule.jsonAPI 传递。请参阅Scrapyd文档。

 

通用蜘蛛

Scrapy附带了一些有用的通用蜘蛛,您可以使用这些蜘蛛来为您的蜘蛛子类化。他们的目的是为一些常见的抓取案例提供方便的功能,例如根据特定规则跟踪站点上的所有链接,从站点地图抓取或解析XML / CSV Feed。

对于以下蜘蛛中使用的示例,我们假设您有一个TestItemmyproject.items模块中声明的项目:

import scrapy

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

 

抓取蜘蛛

scrapy.spiders.CrawlSpider
这是用于抓取常规网站的最常用的蜘蛛,因为它通过定义一组规则为跟踪链接提供了便利的机制。它可能不是最适合您的特定网站或项目,但它在几种情况下足够通用,因此您可以从它开始并根据需要覆盖它以获得更多自定义功能,或者只是实现您自己的蜘蛛。

除了从Spider继承的属性(您必须指定)之外,此类还支持新属性:

rules
这是一个(或多个)Rule对象的列表。每个Rule 定义用于爬网站点的特定行为。规则对象如下所述。如果多个规则匹配相同的链接,则将根据它们在此属性中定义的顺序使用第一个规则。

这个蜘蛛还暴露了一个可重写的方法:

parse_start_url回应
为start_urls响应调用此方法。它允许解析初始响应,并且必须返回 Item对象,Request 对象或包含其中任何一个的iterable。

爬行规则

classscrapy.spiders.Rulelink_extractorcallback = Nonecb_kwargs = Nonefollow = Noneprocess_links = Noneprocess_request = None 
link_extractor是一个Link Extractor对象,它定义如何从每个已爬网页面中提取链接。

callback是一个可调用的或一个字符串(在这种情况下,将使用具有该名称的spider对象的方法)为使用指定的link_extractor提取的每个链接调用。此回调接收响应作为其第一个参数,并且必须返回包含Item和/或 Request对象(或其任何子类)的列表。

警告

编写爬网蜘蛛规则时,请避免使用parse回调,因为CrawlSpider使用parse方法本身来实现其逻辑。因此,如果您覆盖该parse方法,则爬网蜘蛛将不再起作用。

cb_kwargs 是一个包含要传递给回调函数的关键字参数的dict。

follow是一个布尔值,它指定是否应该从使用此规则提取的每个响应中跟踪链接。如果callback是,则follow默认为True,否则默认为False

process_links是一个可调用的,或一个字符串(在这种情况下,将使用来自具有该名称的蜘蛛对象的方法),将使用指定的每个响应提取的每个链接列表调用该方法link_extractor。这主要用于过滤目的。

process_request 是一个可调用的,或一个字符串(在这种情况下,将使用来自具有该名称的spider对象的方法),该方法将在此规则提取的每个请求中调用,并且必须返回请求或None(以过滤掉请求) 。

CrawlSpider示例

现在让我们看看一个带有规则的示例CrawlSpider:

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

class MySpider(CrawlSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com']

    rules = (
        # Extract links matching 'category.php' (but not matching 'subsection.php')
        # and follow links from them (since no callback means follow=True by default).
        Rule(LinkExtractor(allow=('category\.php', ), deny=('subsection\.php', ))),

        # Extract links matching 'item.php' and parse them with the spider's method parse_item
        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()
        item['description'] = response.xpath('//td[@id="item_description"]/text()').extract()
        return item

 

这个蜘蛛会开始抓取example.com的主页,收集类别链接和项目链接,使用该parse_item方法解析后者。对于每个项目响应,将使用XPath从HTML中提取一些数据,并将Item使用它填充。

XMLFeedSpider

scrapy.spiders.XMLFeedSpider
XMLFeedSpider用于通过某个节点名称迭代XML feed来解析XML feed。迭代器可以选自:iternodesxml,和htmliternodes出于性能原因,建议使用迭代器,因为xmlhtml迭代器一次生成整个DOM以便解析它。但是,在使用html错误标记解析XML时,使用迭代器可能很有用。

要设置迭代器和标记名称,必须定义以下类属性:

iterator
一个字符串,它定义要使用的迭代器。它可以是:

  • 'iternodes' – 基于正则表达式的快速迭代器
  • 'html'– 使用的迭代器Selector。请记住,这使用DOM解析,并且必须在内存中加载所有DOM,这可能是大型Feed的问题
  • 'xml'– 使用的迭代器Selector。请记住,这使用DOM解析,并且必须在内存中加载所有DOM,这可能是大型Feed的问题

它默认为:'iternodes'

itertag
一个字符串,其中包含要迭代的节点(或元素)的名称。示例:

itertag = 'product'
namespaces
一个元组列表,用于定义将使用此spider处理的该文档中可用的名称空间。该 和将用于使用该方法自动注册名称空间 。(prefix, uri)prefixuriregister_namespace()

然后,您可以在itertag 属性中指定具有名称空间的节点。

例:

class YourSpider(XMLFeedSpider):

    namespaces = [('n', 'http://www.sitemaps.org/schemas/sitemap/0.9')]
    itertag = 'n:url'
    # ...

 

除了这些新属性之外,这个蜘蛛还具有以下可重写方法:

adapt_response回应
在蜘蛛开始解析之前,一旦从蜘蛛中间件到达就接收响应的方法。它可以在解析之前用于修改响应主体。此方法接收响应并返回响应(可以是相同或另一个)。
parse_node响应选择器
对于与提供的标记名称(itertag)匹配的节点,调用此方法。接收Selector每个节点的响应和响应 。必须覆盖此方法。否则,你的蜘蛛将无法正常工作。此方法必须返回Item对象, Request对象或包含其中任何对象的iterable。
process_results回应结果
为蜘蛛返回的每个结果(项目或请求)调用此方法,并且它旨在执行将结果返回到框架核心之前所需的任何上次处理,例如设置项目ID。它接收结果列表和产生这些结果的响应。它必须返回结果列表(项目或请求)。

XMLFeedSpider示例

这些蜘蛛很容易使用,让我们来看一个例子:

from scrapy.spiders import XMLFeedSpider
from myproject.items import TestItem

class MySpider(XMLFeedSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com/feed.xml']
    iterator = 'iternodes'  # This is actually unnecessary, since it's the default value
    itertag = 'item'

    def parse_node(self, response, node):
        self.logger.info('Hi, this is a <%s> node!: %s', self.itertag, ''.join(node.extract()))

        item = TestItem()
        item['id'] = node.xpath('@id').extract()
        item['name'] = node.xpath('name').extract()
        item['description'] = node.xpath('description').extract()
        return item

 

基本上我们在那里做的是创建一个蜘蛛,从给定的下载源start_urls,然后遍历每个item标签,打印出来,并存储一些随机数据Item

CSVFeedSpider

scrapy.spiders.CSVFeedSpider
这个spider与XMLFeedSpider非常相似,只不过它遍历行而不是节点。在每次迭代中调用的方法是parse_row()

delimiter
CSV文件中每个字段具有分隔符的字符串默认为','(逗号)。
quotechar
带有CSV文件中每个字段的机箱字符的字符串默认为'"'(引号)。
headers
CSV文件中的列名列表。
parse_row响应
使用CSV文件的每个提供(或检测到的)标头的密钥接收响应和dict(表示每行)。该蜘蛛还提供了覆盖adapt_responseprocess_results用于预处理和后处理目的的方法的机会。

CSVFeedSpider示例

让我们看一个与前一个类似的示例,但使用 CSVFeedSpider

from scrapy.spiders import CSVFeedSpider
from myproject.items import TestItem

class MySpider(CSVFeedSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com/feed.csv']
    delimiter = ';'
    quotechar = "'"
    headers = ['id', 'name', 'description']

    def parse_row(self, response, row):
        self.logger.info('Hi, this is a row!: %r', row)

        item = TestItem()
        item['id'] = row['id']
        item['name'] = row['name']
        item['description'] = row['description']
        return item

 

SitemapSpider

scrapy.spiders.SitemapSpider
SitemapSpider允许您通过使用Sitemaps发现URL来抓取 网站。

它支持嵌套的站点地图,并从robots.txt中发现站点地图网址 。

sitemap_urls
指向要抓取其网址的站点地图的网址列表。

您还可以指向robots.txt,它将被解析以从中提取站点地图网址。

sitemap_rules
元组列表,其中:(regex, callback)

  • regex是一个正则表达式,用于匹配从站点地图中提取的网址。 regex可以是str或编译的正则表达式对象。
  • callback是用于处理与正则表达式匹配的url的回调。callback可以是字符串(表示蜘蛛方法的名称)或可调用的。

例如:

sitemap_rules = [('/product/', 'parse_product')]

规则按顺序应用,并且仅使用匹配的第一个规则。

如果省略此属性,将使用parse回调处理站点地图中找到的所有网址。

sitemap_follow
应遵循的站点地图的正则表列表。这仅适用于使用指向其他站点地图文件的站点地图索引文件的站点。

默认情况下,将遵循所有站点地图。

指定是否url应遵循一个备用链接。这些是在同url一块内传递的另一种语言的同一网站的链接。

例如:

<url>
    <loc>http://example.com/</loc>
    <xhtml:link rel="alternate" hreflang="de" href="http://example.com/de"/>
</url>

 

使用sitemap_alternate_linksset,这将检索两个URL。随着 sitemap_alternate_links禁用,只http://example.com/将被检索。

默认为sitemap_alternate_links禁用。

SitemapSpider示例

最简单的示例:使用parse回调处理通过站点地图发现的所有网址 :

from scrapy.spiders import SitemapSpider

class MySpider(SitemapSpider):
    sitemap_urls = ['http://www.example.com/sitemap.xml']

    def parse(self, response):
        pass # ... scrape item here ...

 

处理一些具有特定回调的网址和其他具有不同回调的网址:

from scrapy.spiders import SitemapSpider

class MySpider(SitemapSpider):
    sitemap_urls = ['http://www.example.com/sitemap.xml']
    sitemap_rules = [
        ('/product/', 'parse_product'),
        ('/category/', 'parse_category'),
    ]

    def parse_product(self, response):
        pass # ... scrape product ...

    def parse_category(self, response):
        pass # ... scrape category ...

 

遵循robots.txt文件中定义的站点地图,并且只关注其网址包含以下内容的站点地图/sitemap_shop

from scrapy.spiders import SitemapSpider

class MySpider(SitemapSpider):
    sitemap_urls = ['http://www.example.com/robots.txt']
    sitemap_rules = [
        ('/shop/', 'parse_shop'),
    ]
    sitemap_follow = ['/sitemap_shops']

    def parse_shop(self, response):
        pass # ... scrape shop here ...

 

SitemapSpider与其他网址源结合使用:

from scrapy.spiders import SitemapSpider

class MySpider(SitemapSpider):
    sitemap_urls = ['http://www.example.com/robots.txt']
    sitemap_rules = [
        ('/shop/', 'parse_shop'),
    ]

    other_urls = ['http://www.example.com/about']

    def start_requests(self):
        requests = list(super(MySpider, self).start_requests())
        requests += [scrapy.Request(x, self.parse_other) for x in self.other_urls]
        return requests

    def parse_shop(self, response):
        pass # ... scrape shop here ...

    def parse_other(self, response):
        pass # ... scrape other here ...

评论被关闭。