[toc]
开发环境：Python 3.6.0 版本 （当前最新）Scrapy 1.3.2 版本 （当前最新）
爬虫是定义如何抓取某个网站（或一组网站）的类，包括如何执行抓取（即关注链接）以及如何从其网页中提取结构化数据（即抓取项目）。换句话说，Spider是您定义用于为特定网站（或在某些情况下，一组网站）抓取和解析网页的自定义行为的位置。
对于爬虫，循环经历这样的事情：
您首先生成用于抓取第一个URL的初始请求，然后指定要使用从这些请求下载的响应调用的回调函数。
第一个执行的请求通过调用 start_requests()（默认情况下）Request为在start_urls和中指定的URL生成的parse方法获取， 并且该方法作为请求的回调函数。
在回调函数中，您将解析响应（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对象。这些请求还将包含回调（可能是相同的），然后由Scrapy下载，然后由指定的回调处理它们的响应。
在回调函数中，您通常使用选择器来解析页面内容 （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。
最后，从爬虫返回的项目通常将持久存储到数据库（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）适用于任何种类的爬虫，有不同种类的默认爬虫捆绑到Scrapy中用于不同的目的。我们将在这里谈论这些类型。
class scrapy.spiders.Spider这是最简单的爬虫，每个其他爬虫必须继承的爬虫（包括与Scrapy捆绑在一起的爬虫，以及你自己写的爬虫）。它不提供任何特殊功能。它只是提供了一个默认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
定义此爬虫名称的字符串。爬虫名称是爬虫如何由Scrapy定位（和实例化），因此它必须是唯一的。但是，没有什么能阻止你实例化同一个爬虫的多个实例。这是最重要的爬虫属性，它是必需的。
如果爬虫抓取单个域名，通常的做法是在域后面命名爬虫。因此，例如，抓取的爬虫mywebsite.com通常会被调用 mywebsite。
注意
在Python 2中，这必须是ASCII。
allowed_domains
允许此爬虫抓取的域的字符串的可选列表，指定一个列表可以抓取，其它就不会抓取了。
start_urls
当没有指定特定网址时，爬虫将开始抓取的网址列表。
custom_settings
运行此爬虫时将从项目宽配置覆盖的设置字典。它必须定义为类属性，因为设置在实例化之前更新。
有关可用内置设置的列表，请参阅： 内置设置参考。
crawler
此属性from_crawler()在初始化类后由类方法设置，并链接Crawler到此爬虫实例绑定到的对象。
Crawlers在项目中封装了很多组件，用于单个条目访问（例如扩展，中间件，信号管理器等）。有关详情，请参阅抓取工具API。
settings
运行此爬虫的配置。这是一个 Settings实例，有关此主题的详细介绍，请参阅设置主题。
logger
用Spider创建的Python记录器name。您可以使用它通过它发送日志消息，如记录爬虫程序中所述。
from_crawler（crawler， args，* kwargs ）
是Scrapy用来创建爬虫的类方法。
您可能不需要直接覆盖这一点，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crawler和settings属性，以便以后可以在爬虫程序中访问它们。
参数：
crawler（Crawlerinstance） - 爬虫将绑定到的爬虫
args（list） - 传递给init()方法的参数
kwargs（dict） - 传递给init()方法的关键字参数
start_requests（）
此方法必须返回一个可迭代的第一个请求来抓取这个爬虫。
有了start_requests()，就不写了start_urls，写了也没有用。
默认实现是：start_urls，但是可以复写的方法start_requests。
例如，如果您需要通过使用POST请求登录来启动，您可以：
class MySpider(scrapy.Spider):
name = &＃39;myspider&＃39;
def start_requests(self):
return [scrapy.FormRequest("http://www.example.com/login",
formdata={&＃39;user&＃39;: &＃39;john&＃39;, &＃39;pass&＃39;: &＃39;secret&＃39;},
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
passmake_requests_from_url(url)
一种接收URL并返回Request 对象（或Request对象列表）进行抓取的方法。此方法用于在方法中构造初始请求 start_requests()，并且通常用于将URL转换为请求。
除非重写，此方法返回具有方法的Requests parse() 作为它们的回调函数，并启用dont_filter参数（Request有关更多信息，请参阅类）。
parse(response)
这是Scrapy用于处理下载的响应的默认回调，当它们的请求没有指定回调时。
该parse方法负责处理响应并返回所抓取的数据或更多的URL。其他请求回调具有与Spider类相同的要求。
此方法以及任何其他请求回调必须返回一个可迭代的Request和dicts或Item对象。
参数：
response（Response） - 解析的响应
log(message[, level, component])
包装器通过爬虫发送日志消息logger，保持向后兼容性。有关详细信息，请参阅 从Spider记录。
closed(reason)
当爬虫关闭时召唤。此方法为spider_closed信号的signals.connect()提供了一个快捷方式。
让我们看一个例子：
import scrapy
class MySpider(scrapy.Spider):
name = &＃39;example.com&＃39;
allowed_domains = [&＃39;example.com&＃39;]
start_urls = [
&＃39;http://www.example.com/1.html&＃39;,
&＃39;http://www.example.com/2.html&＃39;,
&＃39;http://www.example.com/3.html&＃39;,
]
def parse(self, response):
self.logger.info(&＃39;A response from %s just arrived!&＃39;, response.url)从单个回调中返回多个请求和项：
import scrapy
class MySpider(scrapy.Spider):
name = &＃39;example.com&＃39;
allowed_domains = [&＃39;example.com&＃39;]
start_urls = [
&＃39;http://www.example.com/1.html&＃39;,
&＃39;http://www.example.com/2.html&＃39;,
&＃39;http://www.example.com/3.html&＃39;,
]
def parse(self, response):
for h3 in response.xpath(&＃39;//h3&＃39;).extract():
yield {"title": h3}
for url in response.xpath(&＃39;//a/@href&＃39;).extract():
yield scrapy.Request(url, callback=self.parse)你可以直接使用start_requests()，而不是start_urls; 项目可以更加方便获取数据：
import scrapy
from myproject.items import MyItem
class MySpider(scrapy.Spider):
name = &＃39;example.com&＃39;
allowed_domains = [&＃39;example.com&＃39;]
def start_requests(self):
yield scrapy.Request(&＃39;http://www.example.com/1.html&＃39;, self.parse)
yield scrapy.Request(&＃39;http://www.example.com/2.html&＃39;, self.parse)
yield scrapy.Request(&＃39;http://www.example.com/3.html&＃39;, self.parse)
def parse(self, response):
for h3 in response.xpath(&＃39;//h3&＃39;).extract():
yield MyItem(title=h3)
for url in response.xpath(&＃39;//a/@href&＃39;).extract():
yield scrapy.Request(url, callback=self.parse)爬虫可以接收修改其行为的参数。爬虫参数的一些常见用法是定义起始URL或将爬网限制到网站的某些部分，但它们可用于配置爬虫的任何功能。
Spider crawl参数使用该-a选项通过命令 传递。例如：
scrapy crawl myspider -a category=electronics
爬虫可以在他们的init方法中访问参数：
import scrapy
class MySpider(scrapy.Spider):
name = &＃39;myspider&＃39;
def init(self, category=None, *args, **kwargs):
super(MySpider, self).init(*args, **kwargs)
self.start_urls = [&＃39;http://www.example.com/categories/%s&＃39; % category]
# ...默认的init方法将获取任何爬虫参数，并将它们作为属性复制到爬虫。上面的例子也可以写成如下：
import scrapy
class MySpider(scrapy.Spider):
name = &＃39;myspider&＃39;
def start_requests(self):
yield scrapy.Request(&＃39;http://www.example.com/categories/%s&＃39; % self.category)请记住，spider参数只是字符串。爬虫不会自己做任何解析。如果要从命令行设置start_urls属性，则必须将它自己解析为列表，使用像 ast.literal_eval 或json.loads之类的属性 ，然后将其设置为属性。否则，你会导致迭代一个start_urls字符串（一个非常常见的python陷阱），导致每个字符被看作一个单独的url。
有效的用例是设置使用的http验证凭据HttpAuthMiddleware 或用户代理使用的用户代理UserAgentMiddleware：scrapy crawl myspider -a http_user=myuser -a http_pass=mypassword -a user_agent=mybot
Spider参数也可以通过Scrapyd schedule.jsonAPI 传递。请参阅Scrapyd文档。
Scrapy附带一些有用的通用爬虫，你可以使用它来子类化你的爬虫。他们的目的是为一些常见的抓取案例提供方便的功能，例如根据某些规则查看网站上的所有链接，从站点地图抓取或解析XML / CSV Feed。
对于在以下爬虫中使用的示例，我们假设您有一个TestItem在myproject.items模块中声明的项目：
import scrapy
class TestItem(scrapy.Item):
id = scrapy.Field()
name = scrapy.Field()
description = scrapy.Field()类 scrapy.spiders.CrawlSpider
这是最常用的爬行常规网站的爬虫，因为它通过定义一组规则为下列链接提供了一种方便的机制。它可能不是最适合您的特定网站或项目，但它是足够通用的几种情况，所以你可以从它开始，根据需要覆盖更多的自定义功能，或只是实现自己的爬虫。
除了从Spider继承的属性（你必须指定），这个类支持一个新的属性：
rules
它是一个（或多个）Rule对象的列表。每个都Rule定义了抓取网站的某种行为。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。
这个爬虫还暴露了可覆盖的方法：
parse_start_url(response)
对于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对象或包含任何对象的迭代器。
class scrapy.spiders.Rule（link_extractor，callback = None，cb_kwargs = None，follow = None，process_links = None，process_request = None ）link_extractor是一个链接提取程序对象，它定义如何从每个爬网页面提取链接。
callback是一个可调用的或字符串（在这种情况下，将使用具有该名称的爬虫对象的方法），以便为使用指定的link_extractor提取的每个链接调用。这个回调接收一个响应作为其第一个参数，并且必须返回一个包含Item和 Request对象（或它们的任何子类）的列表。
警告
当编写爬网爬虫规则时，避免使用parse作为回调，因为CrawlSpider使用parse方法本身来实现其逻辑。所以如果你重写的parse方法，爬行爬虫将不再工作。
cb_kwargs 是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None 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，将使用具有该名称的爬虫对象的方法），将使用指定从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，将使用具有该名称的爬虫对象的方法），它将被此规则提取的每个请求调用，并且必须返回一个请求或无（过滤出请求） 。
现在让我们来看一个CrawlSpider的例子：
import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
class MySpider(CrawlSpider):
name = &＃39;example.com&＃39;
allowed_domains = [&＃39;example.com&＃39;]
start_urls = [&＃39;http://www.example.com&＃39;]
rules = (
# Extract links matching &＃39;category.php&＃39; (but not matching &＃39;subsection.php&＃39;)
# and follow links from them (since no callback means follow=True by default).
Rule(LinkExtractor(allow=(&＃39;category\.php&＃39;, ), deny=(&＃39;subsection\.php&＃39;, ))),
# Extract links matching &＃39;item.php&＃39; and parse them with the spider&＃39;s method parse_item
Rule(LinkExtractor(allow=(&＃39;item\.php&＃39;, )), callback=&＃39;parse_item&＃39;),
)
def parse_item(self, response):
self.logger.info(&＃39;Hi, this is an item page! %s&＃39;, response.url)
item = scrapy.Item()
item[&＃39;id&＃39;] = response.xpath(&＃39;//td[@id="item_id"]/text()&＃39;).re(r&＃39;ID: (\d+)&＃39;)
item[&＃39;name&＃39;] = response.xpath(&＃39;//td[@id="item_name"]/text()&＃39;).extract()
item[&＃39;description&＃39;] = response.xpath(&＃39;//td[@id="item_description"]/text()&＃39;).extract()
return item这个爬虫会开始抓取example.com的主页，收集类别链接和项链接，用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。
class scrapy.spiders.XMLFeedSpider
XMLFeedSpider设计用于通过以特定节点名称迭代XML订阅源来解析XML订阅源。迭代器可以选自：iternodes，xml和html。iternodes为了性能原因，建议使用迭代器，因为xml和迭代器html一次生成整个DOM为了解析它。但是，html当使用坏标记解析XML时，使用作为迭代器可能很有用。
要设置迭代器和标记名称，必须定义以下类属性：
iterator
定义要使用的迭代器的字符串。它可以是：
&＃39;iternodes&＃39; - 基于正则表达式的快速迭代器
&＃39;html&＃39;- 使用的迭代器Selector。请记住，这使用DOM解析，并且必须加载所有DOM在内存中，这可能是一个大饲料的问题
&＃39;xml&＃39;- 使用的迭代器Selector。请记住，这使用DOM解析，并且必须加载所有DOM在内存中，这可能是一个大饲料的问题
它默认为：&＃39;iternodes&＃39;。
itertag
一个具有要迭代的节点（或元素）的名称的字符串。示例：itertag = &＃39;product&＃39;
namespaces
定义该文档中将使用此爬虫处理的命名空间的元组列表。在 与将用于自动注册使用的命名空间 的方法。(prefix, uri)prefixuriregister_namespace()
然后，您可以在属性中指定具有命名空间的itertag 节点。
例：
class YourSpider(XMLFeedSpider):
namespaces = [(&＃39;n&＃39;, &＃39;http://www.sitemaps.org/schemas/sitemap/0.9&＃39;)]
itertag = &＃39;n:url&＃39;
# ...除了这些新的属性，这个爬虫也有以下可重写的方法：
adapt_response(response)
一种在爬虫开始解析响应之前，在响应从爬虫中间件到达时立即接收的方法。它可以用于在解析之前修改响应主体。此方法接收响应并返回响应（它可以是相同的或另一个）。
parse_node(response, selector)
对于与提供的标记名称（itertag）匹配的节点，将调用此方法。接收Selector每个节点的响应和 。覆盖此方法是必需的。否则，你的爬虫将不工作。此方法必须返回一个Item对象，一个 Request对象或包含任何对象的迭代器。
process_results(response, results)
对于由爬虫返回的每个结果（Items or Requests），将调用此方法，并且它将在将结果返回到框架核心之前执行所需的任何最后处理，例如设置项目ID。它接收结果列表和产生那些结果的响应。它必须返回结果列表（Items or Requests）。
这些爬虫很容易使用，让我们看一个例子：
from scrapy.spiders import XMLFeedSpider
from myproject.items import TestItem
class MySpider(XMLFeedSpider):
name = &＃39;example.com&＃39;
allowed_domains = [&＃39;example.com&＃39;]
start_urls = [&＃39;http://www.example.com/feed.xml&＃39;]
iterator = &＃39;iternodes&＃39; # This is actually unnecessary, since it&＃39;s the default value
itertag = &＃39;item&＃39;
def parse_node(self, response, node):
self.logger.info(&＃39;Hi, this is a <%s> node!: %s&＃39;, self.itertag, &＃39;&＃39;.join(node.extract()))
item = TestItem()
item[&＃39;id&＃39;] = node.xpath(&＃39;@id&＃39;).extract()
item[&＃39;name&＃39;] = node.xpath(&＃39;name&＃39;).extract()
item[&＃39;description&＃39;] = node.xpath(&＃39;description&＃39;).extract()
return item基本上我们做的是创建一个爬虫，从给定的下载一个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。
class scrapy.spiders.CSVF
这个爬虫非常类似于XMLFeedSpider，除了它迭代行，而不是节点。在每次迭代中调用的方法是parse_row()。
delimiter
CSV文件中每个字段的带分隔符的字符串默认为&＃39;,&＃39;（逗号）。
quotechar
CSV文件中每个字段的包含字符的字符串默认为&＃39;"&＃39;（引号）。
headers
文件CSV Feed中包含的行的列表，用于从中提取字段。
parse_row(response, row)
使用CSV文件的每个提供（或检测到）标头的键接收响应和dict（表示每行）。这个爬虫还给予机会重写adapt_response和process_results方法的前和后处理的目的。
让我们看一个类似于前一个例子，但使用 CSVFeedSpider：
from scrapy.spiders import CSVFeedSpider
from myproject.items import TestItem
class MySpider(CSVFeedSpider):
name = &＃39;example.com&＃39;
allowed_domains = [&＃39;example.com&＃39;]
start_urls = [&＃39;http://www.example.com/feed.csv&＃39;]
delimiter = &＃39;;&＃39;
quotechar = "&＃39;"
headers = [&＃39;id&＃39;, &＃39;name&＃39;, &＃39;description&＃39;]
def parse_row(self, response, row):
self.logger.info(&＃39;Hi, this is a row!: %r&＃39;, row)
item = TestItem()
item[&＃39;id&＃39;] = row[&＃39;id&＃39;]
item[&＃39;name&＃39;] = row[&＃39;name&＃39;]
item[&＃39;description&＃39;] = row[&＃39;description&＃39;]
return itemclass scrapy.spiders.SitemapSpider
SitemapSpider允许您通过使用Sitemaps发现网址来抓取网站。
它支持嵌套Sitemap和从robots.txt发现Sitemap网址 。
sitemap_urls
指向您要抓取的网址的网站的网址列表。
您还可以指向robots.txt，它会解析为从中提取Sitemap网址。
sitemap_rules
元组列表其中：(regex, callback)
regex是与从Sitemap中提取的网址相匹配的正则表达式。 regex可以是一个str或一个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（指示蜘蛛方法的名称）或可调用的。
例如：sitemap_rules = [(&＃39;/product/&＃39;, &＃39;parse_product&＃39;)]
规则按顺序应用，只有匹配的第一个将被使用。
如果省略此属性，则会在parse回调中处理在站点地图中找到的所有网址。
sitemap_follow
应遵循的网站地图的正则表达式列表。这只适用于使用指向其他Sitemap文件的Sitemap索引文件的网站。
默认情况下，将跟踪所有网站地图。
sitemap_alternate_links
指定是否url应遵循一个备用链接。这些是在同一个url块中传递的另一种语言的同一网站的链接。
例如：
![Python3爬虫入门：pyspider的基本使用[python爬虫入门]](https://img1.php1.cn/3cdc5/324f/339/9d0ec9721f26646a.jpeg)
京公网安备 11010802041100号