python爬虫之spider用法 Spider类定义了如何爬取某个网站, 包括爬取的动作以及如何从网页内容中提取结构化的数据, 总的来说spider就是定义爬取的动作以及分析某个网页. 工作流程分析 : 1. 以初始的URLRequest, 并设置回调函数, 当该requeset下载完毕并返回时, 将生成response, 并作为参数传递给回调函数. spider中初始的request是通过start_requests()来的. start_requests()start_urls中的URL, 并以parse以回调函数生成Request 2. 在回调函数内分析返回的网页内容, 可以返回item对象, 或者Dict,或者Request, 以及是一个包含三者的可迭代的容器, 返回的Request对象之后会经过Scrapy处理, 下载相应的内容, 并调用设置的callback函数. 3. 在回调函数, 可以通过lxml, bs4, xpath, css等方法我们想要的内容生成item 4. 最后将item传送给pipeline处理 源码分析 : 在spiders下写爬虫的时候, 并没有写start_request来处理start_urls处理start_urls中的url, 这是因为在继承的scrapy.Spider中已经写过了
在上述源码中可以看出在父类里实现了start_requests方法, 通过make_requests_from_url做了Request请求
上图中, parse回调函数中的response就是父类中start_requests方法调用make_requests_from_url返回的结果, 并且在parse回调函数中可以继续返回Request, 就像代码中yield request()并设置回调函数. spider内的一些常用属性 : 所有自己写的爬虫都是继承于spider.Spider这个类 name: 定义爬虫名字, 通过命令启动的额时候用的就是这个名字, 这个名字必须唯一 allowed_domains: 包含了spider允许爬取的域名列表. 当offsiteMiddleware启用时, 域名不在列表中URL不会被访问, 所以在爬虫文件中, 每次生成Request请求时都会进行和这里的域名进行判断. start_urls: 其实的URL列表 这里会通过spider.Spider方法调用start_request循环请求这个列表中的每个地址 custom_settings: 自定义配置, 可以覆盖settings的配置, 主要用于当我们队怕重有特定需求设置的时候 设置的以字典的方式设置: custom_settings = {} from_crawler: 一个类方法, 可以通过crawler.settings.get()这种方式settings配置文件中的信息. 同时这个也可以在pipeline中使用 start_requests(): 此方法必须返回一个可迭代对象, 该对象包含了spider用于爬取的第一个Request请求 此方法是在被继承的父类中spider.Spider中写的, 默认是通过get请求, 如果需要修改最开始的这个请求, 可以重写这个方法, 如想通过post请求 make_requests_from_url(url): 此房也是在父类中start_requests调用的, 可以重写 parse(response): 默认的回调函数 负责处理response并返回处理的数据以及跟进的url 该方法以及其他的Request回调函数必须返回一个而包含Request或者item的可迭代对象.
2024最新激活全家桶教程,稳定运行到2099年,请移步至置顶文章:https://sigusoft.com/99576.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。 文章由激活谷谷主-小谷整理,转载请注明出处:https://sigusoft.com/71022.html