spyder如何运行python_爬虫python

2024年 8月 7日上午8:42 • 激活谷笔记

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.

spyder如何运行python_爬虫python

相关推荐