python晋江爬虫_Python 爬虫从入门到进阶之路（十七）

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 importscrapy2 from ..items importQiushiItem3

4

5 classQiushiSpider(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 defparse(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 inqiushi_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 exceptException: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'] =username31 item['imgUrl'] = "https:" +imgUrl32 item['content'] =content33 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 classSpider(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 =None8

9 #初始化，提取爬虫名字，start_ruls

10 def __init__(self, name=None, **kwargs):11 if name is notNone:12 self.name =name13 #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 defset_crawler(self, crawler):30 assert not hasattr(self, '_crawler'), "Spider already bounded to %s" %crawler31 self._crawler =crawler32

33 @property34 defcrawler(self):35 assert hasattr(self, '_crawler'), "Spider not bounded to any crawler"

36 returnself._crawler37

38 @property39 defsettings(self):40 returnself.crawler.settings41

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 defstart_requests(self):45 for url inself.start_urls:46 yieldself.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 defmake_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 defparse(self, response):56 raiseNotImplementedError57

58 @classmethod59 defhandles_request(cls, request):60 returnurl_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

定义spider名字的字符串。

例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite

allowed_domains

包含了spider允许爬取的域名(domain)的列表，可选。

start_urls

初始URL元祖/列表。当没有制定特定的URL时，spider将从该列表中开始进行爬取。

start_requests(self)

该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取（默认实现是使用 start_urls 的url）的第一个Request。

当spider启动爬取并且未指定start_urls时，该方法被调用。

parse(self, response)

当请求url返回网页没有指定回调函数时，默认的Request对象回调函数。用来处理网页返回的response，以及生成Item或者Request对象。

log(self, message[, level, component])

使用 scrapy.log.msg() 方法记录(log)message。

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 importscrapy2 from ..items importQiushiItem3 importre4

5

6 classQiushiSpider(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 defparse(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 inqiushi_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 exceptException: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'] =username32 item['imgUrl'] = "https:" +imgUrl33 item['content'] =content34

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 yielditem42

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。