Scrapy基础——Spider

写在前面

这是Scrapy学习的基础部分，大部分内容来自于官方文档的个人解读，不太适合那些想在30分钟以内学会Scrapy的人学习，但是如果你在看那些xx分钟入门Scrapy的时候存在疑问，可以翻看这篇查查相关内容。如果感觉我写的有任何不对的地方，欢迎提出疑问，我会及时回复的。

scrapy.spiders.Spider

scrapy.spiders.Spider是Scrapy框架最核心部分之一，定义了如何爬取网站和获取结构化信息等。
查看源码发现Spider定义了from_crawler, sest_crawler, start_requests, make_requests_from_url, parse, update_settings, handles_request, close等function，而在官方文档规定了自定义的爬虫必须继承Spider类，要有至少以下几个模块：

1. name: 必须，没有他scrapy crawl 找不到入口
2. allowed_domains：可选，如果你怕从知乎爬到果壳，请可以定义一个字符串的list，并且OffsiteMiddleware
   处于开启状态
3. start_urls:一个URLs list，爬虫的起点网页
4. custom_settings：仅在爬虫运行时覆盖来自settings的设置，低手不知道怎么玩
5. logger: 一个日志记录者，以后再debug的时候再说吧
6. from_crawler:这是Scrapy 用于创建自定义爬虫的类方法(class method)，目前你不需要对他动手，这个方法会设置(set)crawler和settings
7. settings:运行爬虫时的配置，是Settings的实例，低手不会玩
8. crawler:在类初始化后由from_crawler设置，链接到绑定的spider的Crawler类，涉及到Crawler API ，低手用不来。
9. start_requests():当start_urls有URLS即不为空时，会调用start_requests()，接着它会继续调用make_requests_from_url去Request每一个url。所以我们可以不用定义start_urls，而在这里自定义一个start_requests，使用其他Request，如FormRequest然后callbck（反馈）给自定义的parse。注：start_requests在爬虫运行只会执行一次。
10. make_requests_from_url(url)：前面说过，这个方法接收urls，返回reponse, 返回的response会默认(callback)传递给parse。
11. parse(response):如果没有自定义start_requests()，那么必须定义这个函数，并且在里面定义网页数据提取方法，十分重要哦。
12. log(message[, level, component]):和上面的logger差不多，debug时候再仔细研究吧
13. closed(reason):在爬虫关闭的时候调用，不太懂也不会用，这里先占位
    Link Extractors(链接提取器）是一类用来从返回网页中提取符合要求的链接
    Rule有以下几个参数

• link_extractor为LinkExtractor，用于定义需要提取的链接。
• callback参数：当link_extractor获取到链接时参数所指定的值作为回调函数。注：不能使用parse作为回调函数。
• follow：指定了根据该规则从response提取的链接是否需要跟进。callback为None,默认值为true。
• process_links：主要用来过滤由link_extractor获取到的链接。
• process_request：主要用来过滤在rule中提取到的request。

官方提供的例子：

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)