五、Spider

1、官方文档

　　https://scrapy-chs.readthedocs.io/zh_CN/latest/topics/spiders.html

2、Spider简介

　　Spider类定义了如何爬取某个（或某些）网站。包括爬取的动作（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）。

　　`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：

　　（1）`__init__()`：初始化爬虫名字和start_urls列表

　　（2）`start_requests()`：调用make_requests_from_url()：生成Requests对象交给Scrapy下载并返回response

　　（3）`parse()`：解析response，并返回Item或Requests（需要指定回调函数）。Item传给Item Pipeline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。

3、源码参考

# 所有爬虫的基类，用户定义的爬虫必须从这个类继承
class Spider(object_ref):

    # 定义spier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
    # name是spider最重要的属性，而且是必须的
    # 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爬去mywebsite.com，该spider通常会被命名为mywebsite
    name = None

    # 初始化，提取爬虫名字，start_ruls
    def __init__(self,name=None,**kwargs):
        if name is not None:
            self.name = name
        # 如果爬虫没有名字，中断后续操作且报错
        elif not getattr(self,'name',None):
            raise ValueError("%s must have a name" % type(self).__name__)

        # python 对象或类型通过内置成员__dict__来存储成员信息
        self.__dict__.update(kwargs)

        # 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
        if not hasattr(self,'start_urls'):
            self.start_urls=[]
    
    # 打印Scrapy执行后的log信息
    def log(self,message,level=log.DEBUG,**kw):
        log.msg(message,spider=self,level=level,**kw)
    
    # 判断对象object的属性是否存在，不存在则做断言处理
    def set_crawler(self,crawler):
        assert not hasattr(self,'_crawler'),"Spider already bounded to %s" % crawler
        self._crawler = crawler
    
    @property
    def crawler(self):
        assert hasattr(self,'_crawler'),"Spider not bounded to any crawler"
        return self._crawler
    
    @property
    def settings(self):
        return self.crawler.settings

    # 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
    # 该方法仅调用一次
    def start_requests(self):
        for url in self.start_urls:
            yield self.make_requests_from_url(url)
    
    # start_requests()中调用，实际生成Request的函数
    # Request对象默认的回调函数为parse()，提交的方式为get
    def make_requests_from_url(self,url):
        return Request(url,dont_filter=True)
    
    @classmethod
    def handles_request(cls,request):
        return url_is_from_spider(request.url,cls)

    def __str__(self):
        return "<%s %r as 0x%0x>" % (type(self).__name__,self.name,id(self))
    
    __repr = __str__

4、主要属性和方法

　　（1）name

　　　　定义spider名字的字符串

　　（2）allowed_domains

　　　　包含了spider允许爬取的域名（domain）的列表，可选。

　　（3）start_urls

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

　　（4）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。

　　（5）parse(self,response)

　　　　当请求url返回的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。

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

　　　　使用scrapy.log.msg()方法记录(log)message。

5、parser()方法的工作机制

　　1. 因为使用的yield，而不是return。parse函数将会被当做一个生成器使用。scrapy会逐一获取parse方法中生成的结果，并判断该结果是一个什么样的类型；

　　2. 如果是request则加入爬取队列，如果是item类型则使用pipeline处理，其他类型则返回错误信息。

　　3. scrapy取到第一部分的request不会立马就去发送这个request，只是把这个request放到队列里，然后接着从生成器里获取；

　　 4. 取尽第一部分的request，然后再获取第二部分的item，取到item了，就会放到对应的pipeline里处理；

　　5. parse()方法作为回调函数(callback)赋值给了Request，指定parse()方法来处理这些请求 scrapy.Request(url, callback=self.parse)

　　6. Request对象经过调度，执行生成 scrapy.http.response()的响应对象，并送回给parse()方法，直到调度器中没有Request（递归的思路）

　　7. 取尽之后，parse()工作结束，引擎再根据队列和pipelines中的内容去执行相应的操作；

　　8. 程序在取得各个页面的items前，会先处理完之前所有的request队列里的请求，然后再提取items。

　　9. Scrapy引擎和调度器知道爬取结束，才完成任务。