Scrapy框架学习SpiderTencent案例(五）

Spider类定义了如何爬取某个(或某些)网站。包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。 换句话说，Spider就是您定义爬取的动作及分析某个网页(或者是有些网页)的地方。

• class scrapy.Spider是最基本的类，所有编写的爬虫必须继承这个类。
  主要用到的函数及调用顺序为：

• __init__() : 初始化爬虫名字和start_urls列表

• start_requests() 调用make_requests_from url():生成Requests对象交给Scrapy下载并返回response

• parse(): 解析response，并返回Item或Requests（需指定回调函数）。Item传给Item pipline持久化 ， 而Requests交由Scrapy下载，并由指定的回调函数处理（默认parse())，一直进行循环，直到处理完所有的数据为止。

源码参考

#所有爬虫的基类，用户定义的爬虫必须从这个类继承
class Spider(object_ref):
#定义spider名字的字符串(string)。spider的名字定义了Scrapy如何定位(并初始化)spider，所以其必须是唯一的。
#name是spider最重要的属性，而且是必须的。
#一般做法是以该网站(domain)(加或不加 后缀 )来命名spider。 例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite
name = None
#初始化，提取爬虫名字，start_ruls
def __init__(self, name=None, **kwargs):
if name is not None:
self.name = name
# 如果爬虫没有名字，中断后续操作则报错
elif not getattr(self, 'name', None):
raise ValueError("%s must have a name" % type(self).__name__)
# python 对象或类型通过内置成员__dict__来存储成员信息
self.__dict__.update(kwargs)
#URL列表。当没有指定的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。
if not hasattr(self, 'start_urls'):
self.start_urls = []
# 打印Scrapy执行后的log信息
def log(self, message, level=log.DEBUG, **kw):
log.msg(message, spider=self, level=level, **kw)
# 判断对象object的属性是否存在，不存在做断言处理
def set_crawler(self, crawler):
assert not hasattr(self, '_crawler'), "Spider already bounded to %s" % crawler
self._crawler = crawler
@property
def crawler(self):
assert hasattr(self, '_crawler'), "Spider not bounded to any crawler"
return self._crawler
@property
def settings(self):
return self.crawler.settings
#该方法将读取start_urls内的地址，并为每一个地址生成一个Request对象，交给Scrapy下载并返回Response
#该方法仅调用一次
def start_requests(self):
for url in self.start_urls:
yield self.make_requests_from_url(url)
#start_requests()中调用，实际生成Request的函数。
#Request对象默认的回调函数为parse()，提交的方式为get
def make_requests_from_url(self, url):
return Request(url, dont_filter=True)
#默认的Request对象回调函数，处理返回的response。
#生成Item或者Request对象。用户必须实现这个类
def parse(self, response):
raise NotImplementedError
@classmethod
def handles_request(cls, request):
return url_is_from_spider(request.url, cls)
def __str__(self):
return "<%s %r at 0x%0x>" % (type(self).__name__, self.name, id(self))
__repr__ = __str__


主要属性和方法

• name

  定义spider名字的字符串。

  例如，如果spider爬取 douban.com ，该spider通常会被命名为 douban

• allowed_domains

  包含了spider允许爬取的域名(domain)的列表，可选。

• start_urls

  初始URL元祖/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。

• start_requests(self)

  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（默认实现是使用 start_urls 的url）的第一个Request。

  当spider启动爬取并且未指定start_urls时，该方法被调用。

• parse(self, response)

  当请求url返回网页没有指定回调函数时，默认的Request对象回调函数。用来处理网页返回的response，以及生成Item或者Request对象。

• log(self, message[, level, component])

  使用 scrapy.log.msg() 方法记录(log)message

案例：腾讯招聘网自动翻页采集

• 创建一个Scrapy项目：

scrapy startproject Tencent

• 编写items.py（明确目标）

获取 职位名称、职位类别、人数、地点、发布时间、详情页链接。

# items.py
class TencentItem(scrapy.Item):
# 职位名
position_name = scrapy.Field()
# 职位类别
position_type = scrapy.Field()
# 招聘人数
people_number = scrapy.Field()
# 工作地点
work_location = scrapy.Field()
# 发布时间
publish_times = scrapy.Field()
# 详情链接
position_link = scrapy.Field()


• 创建一个新的爬虫：

scrapy genspider tencent &＃8220;tencent.com&＃8221;

• 编写tencent.py

# -*- coding: utf-8 -*-
import scrapy
from Tencent.items import TencentItem
class TencentSpider(scrapy.Spider):
name = 'tencent'
allowed_domains = ['tencent.com']
base_url = "https://hr.tencent.com/"
start_urls = ['https://hr.tencent.com/position.php']
def parse(self, response):
node_list = response.xpath('//*[@class="even"]')
next_page = response.xpath('//a[@id="next"]/@href').extract_first()
# 遍历节点
for node in node_list:
item = TencentItem()
position_name = node.xpath('./td[1]/a/text()').extract_first()
position_link = node.xpath('./td[1]/a/@href').extract_first()
position_type = node.xpath('./td[2]/text()').extract_first()
people_number = node.xpath('./td[3]/text()').extract_first()
work_location = node.xpath('./td[4]/text()').extract_first()
publish_times = node.xpath('./td[5]/text()').extract_first()
item['position_name'] = position_name
item['position_link'] = position_link
item['position_type'] = position_type
item['people_number'] = people_number
item['work_location'] = work_location
item['publish_times'] = publish_times
yield item # item对象传给管道
# 拼接下一页链接
next_url = self.base_url + next_page
yield scrapy.Request(url=next_url, callback=self.parse) # 请求传给调度器


• 编写pipeline.py文件

import json
class TencentPipeline(object):
def open_spider(self, spider):
self.file = open("tencent.json", "w") def process_item(self, item, spider):
cOntent= json.dumps(dict(item), ensure_ascii=False) + "\n"
self.file.write(content)
return item
def close_spider(self, spider):
self.file.close()


• 在 setting.py 里设置ITEM_PIPELINES

ITEM_PIPELINES = {
'Tencent.pipelines.TencentPipeline': 300,
}


• 执行爬虫：

scrapy crawl tencent