Scrapy框架学习---Spider-Tencent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 "tencent.com"

• 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