python scrapy拆解查看Spider類爬取優(yōu)設(shè)網(wǎng)極細(xì)講解
拆解 scrapy.Spider
本次采集的目標(biāo)站點為：優(yōu)設(shè)網(wǎng)
每次創(chuàng)建一個 spider 文件之后，都會默認(rèn)生成如下代碼：
import scrapy
class UiSpider(scrapy.Spider):
name = 'ui'
allowed_domains = ['www.uisdc.com']
start_urls = ['http://www.uisdc.com/']
def parse(self, response):
self.log()
繼承的基類 scrapy.Spider 自然就成了我們要研究的第一個內(nèi)容，進(jìn)入其源碼，發(fā)現(xiàn)如下內(nèi)容。
scrapy.Spider 核心實現(xiàn)的是 start_requests 方法
Spider 主要進(jìn)行的操作就是初始化 Request 請求，而這些都是通過 start_requests 實現(xiàn)的，詳細(xì)代碼為：
for url in self.start_urls:
yield Request(url, dont_filter=True)
對 start_requests 方法，你可以自己編寫同名函數(shù)覆蓋修改，編寫時發(fā)現(xiàn)了 make_requests_from_url 方法，該方法在最新版本的 scrapy 中已經(jīng)被廢除。
重寫 start_requests 方法 ，需要注意重寫時，必須返回一個可迭代對象，并且該對象包含 spider 用于爬取的第 1 個 Request，由于 scrapy 只調(diào)用一次該方法，所以你可以將登錄站點請求放置到該方法中。
import scrapy
from scrapy.http import Request
class UiSpider(scrapy.Spider):
name = 'ui'
allowed_domains = ['www.uisdc.com']
start_urls = ['http://www.uisdc.com/']
def start_requests(self):
print("重寫 start_requests")
yield Request(self.start_urls[0])
def parse(self, response):
print(response)
將登錄信息放置到 start_requests 中，代碼如下：
import scrapy
from scrapy.http import FormRequest
class UiSpider(scrapy.Spider):
name = 'ui'
allowed_domains = ['www.uisdc.com']
start_urls = ['http://www.uisdc.com/']
def start_requests(self):
print("手動 start_requests")
yield FormRequest("https://httpbin.org/post", formdata={"user": "ca"}, callback=self.parse)
def parse(self, response):
print(response.text)
scrapy.Spider 屬性值
name 屬性：
表示爬蟲名稱，spider 的名稱用于 scrapy 定位爬蟲，所以非常重要，一般常見的名稱方式是使用網(wǎng)站域名（domain），命名 spider，例如 baidu.com 命名為 baidu，但是工作喜歡還是攜帶 .com 后綴。
allowed_domains 屬性：
該屬性需要配置 offsiteMiddleware 使用，當(dāng)該中間件啟用之后，待采集 URL 的域名如果不在 allowed_domains 列表中，會被禁止訪問。
domains 內(nèi)容添加，假設(shè)你的目標(biāo) URL 是 http://www.baidu.com/123.html，僅填寫 baidu.com 即可。
start_urls 屬性：
起始的 URL 列表，主要用于 start_request 方法進(jìn)行迭代。
custom_settings 屬性：
自定義配置，可以覆蓋 settings.py 的配置，以字典格式賦值。
custom_settings = {
"ROBOTSTXT_OBEY": False # 不請求 robot.txt 文件
}
crawler 屬性：
該屬性在爬蟲啟動后，由類方法 from_crawler() 設(shè)置。
settings 屬性：
指定配置文件的實例。
logger 屬性：
spider 日志輸出對象，默認(rèn)以 spider 名稱創(chuàng)建，可以自定義。
self.logger.info('輸出響應(yīng)地址 %s', response.url)
logger.info('輸出響應(yīng)地址 %s', response.url)
補(bǔ)充一下 scrapy 日志級別
在 settings.py 中設(shè)置 log 級別，只需要增加一行代碼：
LOG_LEVEL = 'WARNING'
設(shè)置為 WARNING 級別，會發(fā)現(xiàn) scrapy 默認(rèn)的各種調(diào)試信息，都不在控制臺輸出。
scrapy 日志級別與 logging 模塊一致。
CRITICAL：嚴(yán)重錯誤；
ERROR ：一般錯誤；
WARNING： 警告信息；
INFO ：一般信息；
DEBUG：調(diào)試信息。
在 scrapy 中的 settings 中關(guān)于日志的配置如下：
LOG_ENABLED：默認(rèn): True，表示啟用 logging；
LOG_ENCODING： 默認(rèn): utf-8，logging 使用的編碼；
LOG_FILE 默認(rèn): None，日志保存的文件名；
LOG_LEVEL： 默認(rèn) DEBUG ，log 的最低級別。
scrapy.Spider 實例方法與類方法
from_crawler 類方法
在查看源碼之后，該方法的功能會比較清晰。
@classmethod
def from_crawler(cls, crawler, *args, **kwargs):
spider = cls(*args, **kwargs)
spider._set_crawler(crawler)
return spider
def _set_crawler(self, crawler):
self.crawler = crawler
self.settings = crawler.settings
crawler.signals.connect(self.close, signals.spider_closed)
該方法設(shè)置了 crawler 和 settings 兩個屬性，該方法在上一篇博客已經(jīng)有所涉及，直接回顧即可。
parse 方法
當(dāng)請求（Request）沒有指定回調(diào)參數(shù)（callback）時，該方法是 scrapy 用來處理響應(yīng)的默認(rèn)回調(diào)方法。
log 方法
使用 self.log() 方法記錄日志。
學(xué)習(xí)到這里，對 Spider 模塊有了一個比較整體的認(rèn)識。
爬取優(yōu)設(shè)網(wǎng)
接下來進(jìn)入爬蟲采集相關(guān)代碼編寫，有了前文知識鋪墊之后，采集代碼就變得非常簡單了。
import scrapy
from uisdc.items import UisdcItem
class UiSpider(scrapy.Spider):
name = 'ui'
allowed_domains = ['www.uisdc.com']
start_urls = ['https://www.uisdc.com/archives']
custom_settings = {
"ROBOTSTXT_OBEY": False
}
def parse(self, response):
# print(response.text)
# self.log("測試是否有數(shù)據(jù)輸出", logging.WARNING)
items = response.xpath('//div[@id="archive_list"]/div/div[1]/div[1]/div[contains(@class,"item-article")]')
for i in items:
item = UisdcItem()
title = i.xpath(".//h2[@class='item-title']/a/text()").extract_first()
author = i.xpath(".//h3[@class='meta-name']/text()").extract_first()
tag = i.xpath(".//div[@class='meta-tag']/a/text()").extract_first()
item["title"] = title
item["author"] = author
item["tag"] = tag
yield item
接下來修改源碼，增加 ** Item Loaders** 填充容器機(jī)制。通過 from scrapy.loader import ItemLoader 導(dǎo)入新類，該類的構(gòu)造函數(shù)如下：
def __init__(self, item=None, selector=None, response=None, parent=None, **context)
其中 item 是容器類，selector 為 Selector 對象，提取填充數(shù)據(jù)的選擇器，response 為 Response 響應(yīng)對象。
代碼修改之后得到如下代碼：
import scrapy
from uisdc.items import UisdcItem
from scrapy.loader import ItemLoader
class UiSpider(scrapy.Spider):
name = 'ui'
allowed_domains = ['www.uisdc.com']
start_urls = ['https://www.uisdc.com/archives']
custom_settings = {
"ROBOTSTXT_OBEY": False
}
def parse(self, response):
items = response.xpath('//div[@id="archive_list"]/div/div[1]/div[1]/div[contains(@class,"item-article")]')
for i in items:
l = ItemLoader(item=UisdcItem(), selector=i)
l.add_xpath('title', ".//h2[@class='item-title']/a/text()")
l.add_xpath('author', ".//h3[@class='meta-name']/text()")
l.add_xpath('tag', ".//div[@class='meta-tag']/a/text()")
yield l.load_item()
其中需要注意 l = ItemLoader(item=UisdcItem(), selector=i) 使用 selector 參數(shù)，并賦值為迭代變量 i，如果使用 response 會得到重復(fù)數(shù)據(jù)。
最后，當(dāng)所有數(shù)據(jù)被收集起來之后, 調(diào)用 ItemLoader.load_item() 方法, 返回 Item 對象。
輸出 item 對象，發(fā)現(xiàn)每一個數(shù)據(jù)都是列表。
{'author': ['土撥鼠'],
'tag': ['產(chǎn)品設(shè)計'],
'title': ['6000+干貨！資深總監(jiān)的四條產(chǎn)品設(shè)計工作觀（附私藏神器包）']}
接下來需要處理每一項的值，ItemLoader 得到的數(shù)據(jù)，在存入 item 容器前，是支持對數(shù)據(jù)進(jìn)行預(yù)處理的，即輸入處理器和輸出處理器，修改 items.py 文件。
from scrapy.item import Item, Field
from scrapy.loader.processors import MapCompose, TakeFirst
def ext(value):
return "新聞：" + value
class UisdcItem(Item):
# define the fields for your item here like:
title = Field(
input_processor=MapCompose(ext),
output_processor=TakeFirst()
)
author = Field(output_processor=TakeFirst())
tag = Field(output_processor=TakeFirst())
Field 字段的兩個參數(shù)：
輸入處理器（input_processor）：可以在傳進(jìn)來的值做一些預(yù)處理。
輸出處理器（output_processor） ：輸出值前最后的一步處理。
其中用到了 TakeFirst()，返回第一個非空（non-null/ non-empty）值，常用于單值字段的輸出處理器，無參數(shù)。
還用到了 MapCompose，能把多個函數(shù)執(zhí)行的結(jié)果按順序組合起來，產(chǎn)生最終的輸出，通常用于輸入處理器。
其余內(nèi)置的處理器如下
Identity：不進(jìn)行任何處理，返回原來的數(shù)據(jù)，無參數(shù)；
Join：返回用分隔符連接后的值，分隔符默認(rèn)為空格；
Compose：用給定的多個函數(shù)的組合，來構(gòu)造處理器，list 對象一次被傳遞到各個函數(shù)中，由最后一個函數(shù)返回整個處理器的輸出，默認(rèn)情況下遇到 None值（list 中有 None 值）的時候停止處理，可以通過傳遞參數(shù) stop_on_none = False 改變這種行為；
MapCompose：輸入值是被迭代的處理的，List 對象中的每一個元素被單獨(dú)傳入，依次執(zhí)行對應(yīng)函數(shù)。
關(guān)于 item loader 還有一些其它的知識點，我們后面再聊。
以上就是python scrapy拆解查看Spider類爬取優(yōu)設(shè)網(wǎng)極細(xì)講解的詳細(xì)內(nèi)容，更多關(guān)于scrapy拆解Spider類爬取優(yōu)設(shè)網(wǎng)的資料請關(guān)注腳本之家其它相關(guān)文章！
- 提升Python Scrapy庫數(shù)據(jù)采集速度實現(xiàn)高效爬蟲
- 詳解如何優(yōu)化和調(diào)整Python中Scrapy的性能
- python爬蟲框架scrapy代理中間件掌握學(xué)習(xí)教程
- python爬蟲框架Scrapy基本應(yīng)用學(xué)習(xí)教程
- python實戰(zhàn)項目scrapy管道學(xué)習(xí)爬取在行高手?jǐn)?shù)據(jù)
- python實戰(zhàn)scrapy操作cookie爬取博客涉及browsercookie
- python編程scrapy簡單代碼實現(xiàn)搜狗圖片下載器
- Python爬蟲進(jìn)階Scrapy框架精文講解
- Scrapy基于Python構(gòu)建強(qiáng)大網(wǎng)絡(luò)爬蟲框架實例探究
相關(guān)文章
python打印n位數(shù)“水仙花數(shù)”(實例代碼)
這篇文章主要介紹了python打印n位數(shù)“水仙花數(shù)”,本文通過實例代碼給大家介紹的非常詳細(xì)，具有一定的參考借鑒價值，需要的朋友可以參考下2019-12-12
一篇文章教你掌握python數(shù)據(jù)類型的底層實現(xiàn)
這篇文章主要介紹了Python 數(shù)據(jù)類型的底層實現(xiàn)原理分析，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-09-09
這篇文章主要介紹了使用python實現(xiàn)微信小程序自動簽到功能，本文通過實例代碼給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-04-04
本文給大家簡單總結(jié)了下再Python中的隊列對象（queue）以及多進(jìn)程（multiprocessing），非常的簡單實用，有需要的小伙伴可以參考下2016-08-08
Python如何基于Tesseract實現(xiàn)識別文字功能
這篇文章主要介紹了Python如何基于Tesseract實現(xiàn)識別文字功能,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-06-06
當(dāng)需要將產(chǎn)品發(fā)布到外部環(huán)境的時候,源碼的保護(hù)尤為重要,因此需要將python文件打成so文件的目的就是為了保護(hù)源碼,本文主要介紹了python打包成.so的實現(xiàn)步驟,感興趣的可以了解一下2023-12-12
這篇文章主要介紹了python argparser的具體使用，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-11-11
python進(jìn)行數(shù)據(jù)預(yù)處理的4個重要步驟
在數(shù)據(jù)科學(xué)項目中，數(shù)據(jù)預(yù)處理是最重要的事情之一，本文詳細(xì)給大家介紹python進(jìn)行數(shù)據(jù)預(yù)處理的4個重要步驟：拆分訓(xùn)練集和測試集，處理缺失值，處理分類特征和進(jìn)行標(biāo)準(zhǔn)化處理,需要的朋友可以參考下2023-06-06
Python3實現(xiàn)的簡單工資管理系統(tǒng)示例
這篇文章主要介紹了Python3實現(xiàn)的簡單工資管理系統(tǒng),涉及Python文件讀寫、數(shù)據(jù)遍歷、判斷等相關(guān)操作技巧,需要的朋友可以參考下2019-03-03
python 阿里云oss實現(xiàn)直傳簽名與回調(diào)驗證的示例方法
這篇文章主要介紹了python 阿里云oss實現(xiàn)直傳簽名與回調(diào)驗證，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-03-03