在之前的文章中我们介绍了 scrapy 框架并给予 scrapy 框架写了一个爬虫来爬取《糗事百科》的糗事，本章我们继续说一下 scrapy 框架并对之前的糗百爬虫做一下优化和丰富。
在上一篇文章中，我们在项目中创建了一个 qiushiSpider.py 的文件，代码如下：
1 import scrapy 2 from ..items import QiushiItem 3 4 5 class QiushiSpider(scrapy.Spider): 6 # 爬虫名 7 name = "qiubai" 8 # 允许爬虫作用的范围，不能越界 9 allowd_domains = ["https://www.qiushibaike.com/"] 10 # 爬虫起始url 11 start_urls = ["https://www.qiushibaike.com/text/page/1/"] 12 13 # 我们无需再像之前利用 urllib 库那样去请求地址返回数据，在 scrapy 框架中直接利用下面的 parse 方法进行数据处理即可。 14 def parse(self, response): 15 # 通过 scrayy 自带的 xpath 匹配想要的信息 16 qiushi_list = response.xpath('//div[contains(@id,"qiushi_tag")]') 17 for site in qiushi_list: 18 # 实例化从 items.py 导入的 QiushiItem 类 19 item = QiushiItem() 20 # 根据查询发现匿名用户和非匿名用户的标签不一样 21 try: 22 # 非匿名用户 23 username = site.xpath('./div/a/img/@alt')[0].extract() # 作者 24 imgUrl = site.xpath('./div/a/img/@src')[0].extract() # 头像 25 except Exception: 26 # 匿名用户 27 username = site.xpath('./div/span/img/@alt')[0].extract() # 作者 28 imgUrl = site.xpath('./div/span/img/@src')[0].extract() # 头像 29 content = site.xpath('.//div[@class="content"]/span[1]/text()').extract() 30 item['username'] = username 31 item['imgUrl'] = "https:" + imgUrl 32 item['content'] = content 33 yield item
在上面的代码中我们定义了一个 QiubaiSpider 的类，并且集成了 scrapy.Spider，我们就对这个类做一下详细分析。
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。
1 #所有爬虫的基类，用户定义的爬虫必须从这个类继承 2 class Spider(object_ref): 3 4 #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。 5 #name是spider最重要的属性，而且是必须的。 6 #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 7 name = None 8 9 #初始化，提取爬虫名字，start_ruls 10 def __init__(self, name=None, **kwargs): 11 if name is not None: 12 self.name = name 13 # 如果爬虫没有名字，中断后续操作则报错 14 elif not getattr(self, 'name', None): 15 raise ValueError("%s must have a name" % type(self).__name__) 16 17 # python 对象或类型通过内置成员__dict__来存储成员信息 18 self.__dict__.update(kwargs) 19 20 #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。 21 if not hasattr(self, 'start_urls'): 22 self.start_urls = [] 23 24 # 打印Scrapy执行后的log信息 25 def log(self, message, level=log.DEBUG, **kw): 26 log.msg(message, spider=self, level=level, **kw) 27 28 # 判断对象object的属性是否存在，不存在做断言处理 29 def set_crawler(self, crawler): 30 assert not hasattr(self, '_crawler'), "Spider already bounded to %s" % crawler 31 self._crawler = crawler 32 33 @property 34 def crawler(self): 35 assert hasattr(self, '_crawler'), "Spider not bounded to any crawler" 36 return self._crawler 37 38 @property 39 def settings(self): 40 return self.crawler.settings 41 42 #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 43 #该方法仅调用一次 44 def start_requests(self): 45 for url in self.start_urls: 46 yield self.make_requests_from_url(url) 47 48 #start_requests()中调用，实际生成Request的函数。 49 #Request对象默认的回调函数为parse()，提交的方式为get 50 def make_requests_from_url(self, url): 51 return Request(url, dont_filter=True) 52 53 #默认的Request对象回调函数，处理返回的response。 54 #生成Item或者Request对象。用户必须实现这个类 55 def parse(self, response): 56 raise NotImplementedError 57 58 @classmethod 59 def handles_request(cls, request): 60 return url_is_from_spider(request.url, cls) 61 62 def __str__(self): 63 return "<%s %r at 0x%0x>" % (type(self).__name__, self.name, id(self)) 64 65 __repr__ = __str__
主要属性和方法
name
allowed_domains
start_urls
start_requests(self)
parse(self, response)
log(self, message[, level, component])
接下来我们再将之前的的糗百爬虫进行一下丰富。之前的爬虫，我们只是爬取了第一页内糗事，即 start_urls = ["https://www.qiushibaike.com/text/page/1/"] ，其中最末尾的 1 即代表了当前页码，所以当该页数据爬取完毕后让其自动 +1 即为下一页内容，然后再接着爬取我们想要的数据。
1 import scrapy 2 from ..items import QiushiItem 3 import re 4 5 6 class QiushiSpider(scrapy.Spider): 7 # 爬虫名 8 name = "qiubai" 9 # 允许爬虫作用的范围，不能越界 10 allowd_domains = ["https://www.qiushibaike.com/"] 11 # 爬虫起始url 12 start_urls = ["https://www.qiushibaike.com/text/page/1/"] 13 14 # 我们无需再像之前利用 urllib 库那样去请求地址返回数据，在 scrapy 框架中直接利用下面的 parse 方法进行数据处理即可。 15 def parse(self, response): 16 # 通过 scrayy 自带的 xpath 匹配想要的信息 17 qiushi_list = response.xpath('//div[contains(@id,"qiushi_tag")]') 18 for site in qiushi_list: 19 # 实例化从 items.py 导入的 QiushiItem 类 20 item = QiushiItem() 21 # 根据查询发现匿名用户和非匿名用户的标签不一样 22 try: 23 # 非匿名用户 24 username = site.xpath('./div/a/img/@alt')[0].extract() # 作者 25 imgUrl = site.xpath('./div/a/img/@src')[0].extract() # 头像 26 except Exception: 27 # 匿名用户 28 username = site.xpath('./div/span/img/@alt')[0].extract() # 作者 29 imgUrl = site.xpath('./div/span/img/@src')[0].extract() # 头像 30 content = site.xpath('.//div[@class="content"]/span[1]/text()').extract() 31 item['username'] = username 32 item['imgUrl'] = "https:" + imgUrl 33 item['content'] = content 34 35 # 通过 re 模块匹配到请求的 url 里的数字 36 currentPage = re.search('(\d+)', response.url).group(1) 37 page = int(currentPage) + 1 38 url = re.sub('\d+', str(page), response.url) 39 40 # 将获取的数据交给 pipeline 41 yield item 42 43 # 发送新的 url 请求加入待爬队列，并调用回调函数 self.parse 44 yield scrapy.Request(url, callback=self.parse)
在上面的代码中，我们在将获取到的 item 数据交给管道文件 pipeline 之后，获取到此时的请求 url 链接，根据 re 模块获取到链接里的数字，即页码数，然后将页码数 +1，再次发送新的 url 链接请求即可获取其余页码的数据了。