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：

import scrapy
from ..items import QiushiItem


class QiushiSpider(scrapy.Spider):
    # 爬虫名
    name = "qiubai"
    # 允许爬虫作用的范围，不能越界
    allowd_domains = ["https://www.qiushibaike.com/"]
    # 爬虫起始url
    start_urls = ["https://www.qiushibaike.com/text/page/1/"]

    # 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。
    def parse(self, response):
        # 通过 scrayy 自带的 xpath 匹配想要的信息
        qiushi_list = response.xpath('//div[contains(@id,"qiushi_tag")]')
        for site in qiushi_list:
            # 实例化从 items.py 导入的 QiushiItem 类
            item = QiushiItem()
            # 根据查询发现匿名用户和非匿名用户的标签不一样
            try:
                # 非匿名用户
                username = site.xpath('./div/a/img/@alt')[0].extract()  # 作者
                imgUrl = site.xpath('./div/a/img/@src')[0].extract()  # 头像
            except Exception:
                # 匿名用户
                username = site.xpath('./div/span/img/@alt')[0].extract()  # 作者
                imgUrl = site.xpath('./div/span/img/@src')[0].extract()  # 头像
            content = site.xpath('.//div[@class="content"]/span[1]/text()').extract()
            item['username'] = username
            item['imgUrl'] = "https:" + imgUrl
            item['content'] = content
            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。

#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。
    #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爬取 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，中断后续操作则报错
        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)

    #默认的Request对象回调函数，处理返回的response。
    #生成Item或者Request对象。用户必须实现这个类
    def parse(self, response):
        raise NotImplementedError

    @classmethod
    def handles_request(cls, request):
        return url_is_from_spider(request.url, cls)

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

    __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。

import scrapy
from ..items import QiushiItem
import re


class QiushiSpider(scrapy.Spider):
    # 爬虫名
    name = "qiubai"
    # 允许爬虫作用的范围，不能越界
    allowd_domains = ["https://www.qiushibaike.com/"]
    # 爬虫起始url
    start_urls = ["https://www.qiushibaike.com/text/page/1/"]

    # 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。
    def parse(self, response):
        # 通过 scrayy 自带的 xpath 匹配想要的信息
        qiushi_list = response.xpath('//div[contains(@id,"qiushi_tag")]')
        for site in qiushi_list:
            # 实例化从 items.py 导入的 QiushiItem 类
            item = QiushiItem()
            # 根据查询发现匿名用户和非匿名用户的标签不一样
            try:
                # 非匿名用户
                username = site.xpath('./div/a/img/@alt')[0].extract()  # 作者
                imgUrl = site.xpath('./div/a/img/@src')[0].extract()  # 头像
            except Exception:
                # 匿名用户
                username = site.xpath('./div/span/img/@alt')[0].extract()  # 作者
                imgUrl = site.xpath('./div/span/img/@src')[0].extract()  # 头像
            content = site.xpath('.//div[@class="content"]/span[1]/text()').extract()
            item['username'] = username
            item['imgUrl'] = "https:" + imgUrl
            item['content'] = content

            # 通过 re 模块匹配到请求的 url 里的数字
            currentPage = re.search('(d+)', response.url).group(1)
            page = int(currentPage) + 1
            url = re.sub('d+', str(page), response.url)

            # 将获取的数据交给 pipeline
            yield item

            # 发送新的 url 请求加入待爬队列，并调用回调函数 self.parse
            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。