Scrapy各spider简介

Scrapy 框架把爬虫从初始 URL 构造 Request 到爬取，再到解析 Response 等各功能抽象为各种组件。对于一般的网站，如果没有什么反爬（或者反爬不是很变态），使用者要做的就是实现针对特定网站的 spider。

Spider 主要用于定义爬取行为，包括构造 Request，定义规则抽取超链接，从 Response 解析出结构化数据。

具体来说，各功能主要实现为：

• 构造 Request
  
  • 最简单的方法只需要将待爬取的 URL 放入start_urls列表就可以，Scrapy 会使用默认 headers 等构造 Request
  • 如果需要对 Request 进行设置，则需要自己实现 start_requests 方法（start_urls默认也是调用本方法）
• 定义超链接抽取规则：实例化scrapy.spiders.Rule生成规则，由于内容较多，后续会进行更新讲解，可参考：https://docs.scrapy.org/en/latest/topics/spiders.html#scrapy.spiders.Rule。
• 解析结构化数据：默认调用parse解析（CrawlSpider 默认调用parse_start_url），在解析函数内抽取数据和新的链接。

下面介绍 Scrapy 提供的几种爬虫的属性和方法。

scrapy.spiders.Spider

最简单的 spider，其他的 spider 都继承自它。我们一般要实现的定向爬虫也直接继承它。

属性

• name，爬虫名称(string，类属性)，在一个 Scrapy 工程内，name 必须唯一，因为使用scrap crawl 运行时就是根据它查找 spider。
• allowed_domains，允许爬取的域名(list，类属性)，只有在该域列表内的 URL 才会被爬取，不然就被过滤掉（默认OffsiteMiddleware设置被打开）。
  对于域的设置，比如要爬取京东，则设置:allowed_domains = ['jd.com', 'jd.hk']
• start_urls，爬虫启动的初始 URL(list，类属性)，在通用爬虫中，设置为入口 URL，利用规则则可以爬取整个网站。
• custom_settings，Scrapy 的 spider 级别配置(dict，类属性)，Scrapy 的配置分为 5 级别：
  
  • Command line options (优先级最高)
  • Settings per-spider，custom_settings就处于这个级别
  • Project settings module
  • Default settings per-command
  • Default global settings (优先级最低)
• crawler，在 spider 类方法from_crawler()中设置，绑定Crawler对象到 spider 实例。目前不是很了解，参见：https://docs.scrapy.org/en/latest/topics/api.html#topics-api-crawler。
• settings，爬虫最终配置，参见：https://docs.scrapy.org/en/latest/topics/settings.html#topics-settings。
• logger，用于打印日志，使用name创建。

方法

• from_crawler(cls, crawler, *args, **kwargs)，类方法，用于创建 spider，一般不用重写。本方法设置的crawler和settings属性用于爬虫运行时进入 spider。
• start_requests(self)，迭代器，返回由 URL 构造的 Request，作为入口在爬虫启动时自动运行。实现了本方法，则忽略start_urls。当然，方法内使用start_urls另说。
• parse(self, response)，迭代器，默认 Response 解析函数。
• closed(self, reason)，爬虫关闭时自动运行，实现了spider_closed信号绑定。

示例

import scrapy
from myproject.items import MyItem

class MySpider(scrapy.Spider):
    name = 'example.com'
    allowed_domains = ['example.com']

    def start_requests(self):
        yield scrapy.Request('http://www.example.com/1.html', self.parse)
        yield scrapy.Request('http://www.example.com/2.html', self.parse)
        yield scrapy.Request('http://www.example.com/3.html', self.parse)

    def parse(self, response):
        for h3 in response.xpath('//h3').extract():
            yield MyItem(title=h3)

        for url in response.xpath('//a/@href').extract():
            yield scrapy.Request(url, callback=self.parse)

scrapy.spiders.CrawlSpider

继承自 Spider，用于需要追踪页面链接的通用网站爬虫。除了继承的属性和方法，新增：

属性

• rules，Rule 对象(list，类属性)，用于自动抽取页面链接。

方法

• parse_start_url(self, response)，start_urls爬取返回的 Response 默认解析函数。

scrapy.spiders.XMLFeedSpider

参见：https://docs.scrapy.org/en/latest/topics/spiders.html#xmlfeedspider

scrapy.spiders.CSVFeedSpider

参见：https://docs.scrapy.org/en/latest/topics/spiders.html#csvfeedspider

scrapy.spiders.SitemapSpider

参见：https://docs.scrapy.org/en/latest/topics/spiders.html#sitemapspider