Spiders
Spider類定義瞭如何爬取某個(或某些)網站。包括了爬取的動作(例如:是否跟進鏈接)以及如何從網頁的內容中提取結構化數據(爬取item)。 換句話說,Spider就是您定義爬取的動作及分析某個網頁(或者是有些網頁)的地方。
對spider來說,爬取的循環類似下文:
-
以初始的URL初始化Request,並設置回調函數。 當該request下載完畢並返回時,將生成response,並作爲參數傳給該回調函數。
spider中初始的request是通過調用
start_requests()
來獲取的。start_requests()
讀取start_urls
中的URL, 並以parse
爲回調函數生成Request
。 -
在回調函數內分析返回的(網頁)內容,返回
Item
對象或者Request
或者一個包括二者的可迭代容器。 返回的Request對象之後會經過Scrapy處理,下載相應的內容,並調用設置的callback函數(函數可相同)。 -
在回調函數內,您可以使用 選擇器(Selectors) (您也可以使用BeautifulSoup, lxml 或者您想用的任何解析器) 來分析網頁內容,並根據分析的數據生成item。
-
最後,由spider返回的item將被存到數據庫(由某些 Item Pipeline 處理)或使用 Feed exports 存入到文件中。
雖然該循環對任何類型的spider都(多少)適用,但Scrapy仍然爲了不同的需求提供了多種默認spider。 之後將討論這些spider。
Spider參數
Spider可以通過接受參數來修改其功能。 spider參數一般用來定義初始URL或者指定限制爬取網站的部分。 您也可以使用其來配置spider的任何功能。
在運行 crawl
時添加 -a
可以傳遞Spider參數:
scrapy crawl myspider -a category=electronics
Spider在構造器(constructor)中獲取參數:
import scrapy class MySpider(Spider): name = 'myspider' def __init__(self, category=None, *args, **kwargs): super(MySpider, self).__init__(*args, **kwargs) self.start_urls = ['http://www.example.com/categories/%s' % category] # ...
Spider參數也可以通過Scrapyd的 schedule.json
API來傳遞。 參見 Scrapyd documentation.
內置Spider參考手冊
Scrapy提供多種方便的通用spider供您繼承使用。 這些spider爲一些常用的爬取情況提供方便的特性, 例如根據某些規則跟進某個網站的所有鏈接、根據 Sitemaps 來進行爬取,或者分析XML/CSV源。
下面spider的示例中,我們假定您有個項目在 myproject.items
模塊中聲明瞭 TestItem
:
import scrapy class TestItem(scrapy.Item): id = scrapy.Field() name = scrapy.Field() description = scrapy.Field()
Spider
classscrapy.spider.
Spider
Spider是最簡單的spider。每個其他的spider必須繼承自該類(包括Scrapy自帶的其他spider以及您自己編寫的spider)。 Spider並沒有提供什麼特殊的功能。 其僅僅請求給定的 start_urls
/start_requests
,並根據返回的結果(resulting responses)調用spider的 parse
方法。
name
定義spider名字的字符串(string)。spider的名字定義了Scrapy如何定位(並初始化)spider,所以其必須是唯一的。 不過您可以生成多個相同的spider實例(instance),這沒有任何限制。 name是spider最重要的屬性,而且是必須的。
如果該spider爬取單個網站(single domain),一個常見的做法是以該網站(domain)(加或不加 後綴 )來命名spider。 例如,如果spider爬取 mywebsite.com
,該spider通常會被命名爲 mywebsite
。
allowed_domains
可選。包含了spider允許爬取的域名(domain)列表(list)。 當 OffsiteMiddleware
啓用時, 域名不在列表中的URL不會被跟進。
start_urls
URL列表。當沒有制定特定的URL時,spider將從該列表中開始進行爬取。 因此,第一個被獲取到的頁面的URL將是該列表之一。 後續的URL將會從獲取到的數據中提取。
start_requests
()
該方法必須返回一個可迭代對象(iterable)。該對象包含了spider用於爬取的第一個Request。
當spider啓動爬取並且未制定URL時,該方法被調用。 當指定了URL時,make_requests_from_url()
將被調用來創建Request對象。 該方法僅僅會被Scrapy調用一次,因此您可以將其實現爲生成器。
該方法的默認實現是使用 start_urls
的url生成Request。
如果您想要修改最初爬取某個網站的Request對象,您可以重寫(override)該方法。 例如,如果您需要在啓動時以POST登錄某個網站,你可以這麼寫:
def start_requests(self): return [scrapy.FormRequest("http://www.example.com/login", formdata={'user': 'john', 'pass': 'secret'}, callback=self.logged_in)] def logged_in(self, response): # here you would extract links to follow and return Requests for # each of them, with another callback pass
make_requests_from_url
(url)
該方法接受一個URL並返回用於爬取的 Request
對象。 該方法在初始化request時被 start_requests()
調用,也被用於轉化url爲request。
默認未被複寫(overridden)的情況下,該方法返回的Request對象中, parse()
作爲回調函數,dont_filter參數也被設置爲開啓。 (詳情參見 Request
).
parse
(response)
當response沒有指定回調函數時,該方法是Scrapy處理下載的response的默認方法。
parse
負責處理response並返回處理的數據以及(/或)跟進的URL。 Spider
對其他的Request的回調函數也有相同的要求。
該方法及其他的Request回調函數必須返回一個包含 Request
及(或) Item
的可迭代的對象。
參數: | response (Response ) – 用於分析的response |
---|
log
(message[, level, component])
使用 scrapy.log.msg()
方法記錄(log)message。 log中自動帶上該spider的 name
屬性。 更多數據請參見 Logging 。
closed
(reason)
當spider關閉時,該函數被調用。 該方法提供了一個替代調用signals.connect()來監聽 spider_closed
信號的快捷方式。
Spider樣例
讓我們來看一個例子:
import scrapy class MySpider(scrapy.Spider): name = 'example.com' allowed_domains = ['example.com'] start_urls = [ 'http://www.example.com/1.html', 'http://www.example.com/2.html', 'http://www.example.com/3.html', ] def parse(self, response): self.log('A response from %s just arrived!' % response.url)
另一個在單個回調函數中返回多個Request以及Item的例子:
import scrapy from myproject.items import MyItem class MySpider(scrapy.Spider): name = 'example.com' allowed_domains = ['example.com'] start_urls = [ 'http://www.example.com/1.html', 'http://www.example.com/2.html', 'http://www.example.com/3.html', ] def parse(self, response): sel = scrapy.Selector(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)
CrawlSpider
classscrapy.contrib.spiders.
CrawlSpider
爬取一般網站常用的spider。其定義了一些規則(rule)來提供跟進link的方便的機制。 也許該spider並不是完全適合您的特定網站或項目,但其對很多情況都使用。 因此您可以以其爲起點,根據需求修改部分方法。當然您也可以實現自己的spider。
除了從Spider繼承過來的(您必須提供的)屬性外,其提供了一個新的屬性:
rules
一個包含一個(或多個) Rule
對象的集合(list)。 每個 Rule
對爬取網站的動作定義了特定表現。 Rule對象在下邊會介紹。 如果多個rule匹配了相同的鏈接,則根據他們在本屬性中被定義的順序,第一個會被使用。
該spider也提供了一個可複寫(overrideable)的方法:
parse_start_url
(response)
當start_url的請求返回時,該方法被調用。 該方法分析最初的返回值並必須返回一個 Item
對象或者 一個 Request
對象或者 一個可迭代的包含二者對象。
爬取規則(Crawling rules)
classscrapy.contrib.spiders.
Rule
(link_extractor, callback=None, cb_kwargs=None, follow=None, process_links=None, process_request=None)
link_extractor
是一個 Link Extractor 對象。 其定義瞭如何從爬取到的頁面提取鏈接。
callback
是一個callable或string(該spider中同名的函數將會被調用)。 從link_extractor中每獲取到鏈接時將會調用該函數。該回調函數接受一個response作爲其第一個參數, 並返回一個包含 Item
以及(或) Request
對象(或者這兩者的子類)的列表(list)。
警告
當編寫爬蟲規則時,請避免使用 parse
作爲回調函數。 由於 CrawlSpider
使用 parse
方法來實現其邏輯,如果 您覆蓋了 parse
方法,crawl spider 將會運行失敗。
cb_kwargs
包含傳遞給回調函數的參數(keyword argument)的字典。
follow
是一個布爾(boolean)值,指定了根據該規則從response提取的鏈接是否需要跟進。 如果 callback
爲None, follow
默認設置爲 True
,否則默認爲 False
。
process_links
是一個callable或string(該spider中同名的函數將會被調用)。 從link_extractor中獲取到鏈接列表時將會調用該函數。該方法主要用來過濾。
process_request
是一個callable或string(該spider中同名的函數將會被調用)。 該規則提取到每個request時都會調用該函數。該函數必須返回一個request或者None。 (用來過濾request)
CrawlSpider樣例
接下來給出配合rule使用CrawlSpider的例子:
import scrapy from scrapy.contrib.spiders import CrawlSpider, Rule from scrapy.contrib.linkextractors import LinkExtractor class MySpider(CrawlSpider): name = 'example.com' allowed_domains = ['example.com'] start_urls = ['http://www.example.com'] rules = ( # 提取匹配 'category.php' (但不匹配 'subsection.php') 的鏈接並跟進鏈接(沒有callback意味着follow默認爲True) Rule(LinkExtractor(allow=('category\.php', ), deny=('subsection\.php', ))), # 提取匹配 'item.php' 的鏈接並使用spider的parse_item方法進行分析 Rule(LinkExtractor(allow=('item\.php', )), callback='parse_item'), ) def parse_item(self, response): self.log('Hi, this is an item page! %s' % response.url) item = scrapy.Item() item['id'] = response.xpath('//td[@id="item_id"]/text()').re(r'ID: (\d+)') item['name'] = response.xpath('//td[@id="item_name"]/text()').extract() item['description'] = response.xpath('//td[@id="item_description"]/text()').extract() return item
該spider將從example.com的首頁開始爬取,獲取category以及item的鏈接並對後者使用 parse_item
方法。 當item獲得返回(response)時,將使用XPath處理HTML並生成一些數據填入 Item
中。
XMLFeedSpider
classscrapy.contrib.spiders.
XMLFeedSpider
XMLFeedSpider被設計用於通過迭代各個節點來分析XML源(XML feed)。 迭代器可以從 iternodes
, xml
, html
選擇。 鑑於 xml
以及 html
迭代器需要先讀取所有DOM再分析而引起的性能問題, 一般還是推薦使用 iternodes
。 不過使用 html
作爲迭代器能有效應對錯誤的XML。
您必須定義下列類屬性來設置迭代器以及標籤名(tag name):
iterator
用於確定使用哪個迭代器的string。可選項有:
默認值爲 iternodes
。
itertag
一個包含開始迭代的節點名的string。例如:
itertag = 'product'
namespaces
一個由 (prefix, url)
元組(tuple)所組成的list。 其定義了在該文檔中會被spider處理的可用的namespace。 prefix
及 uri
會被自動調用 register_namespace()
生成namespace。
您可以通過在 itertag
屬性中制定節點的namespace。
例如:
class YourSpider(XMLFeedSpider): namespaces = [('n', 'http://www.sitemaps.org/schemas/sitemap/0.9')] itertag = 'n:url' # ...
除了這些新的屬性之外,該spider也有以下可以覆蓋(overrideable)的方法:
adapt_response
(response)
該方法在spider分析response前被調用。您可以在response被分析之前使用該函數來修改內容(body)。 該方法接受一個response並返回一個response(可以相同也可以不同)。
parse_node
(response, selector)
當節點符合提供的標籤名時(itertag
)該方法被調用。 接收到的response以及相應的 Selector
作爲參數傳遞給該方法。 該方法返回一個 Item
對象或者 Request
對象 或者一個包含二者的可迭代對象(iterable)。
process_results
(response, results)
當spider返回結果(item或request)時該方法被調用。 設定該方法的目的是在結果返回給框架核心(framework core)之前做最後的處理, 例如設定item的ID。其接受一個結果的列表(list of results)及對應的response。 其結果必須返回一個結果的列表(list of results)(包含Item或者Request對象)。
XMLFeedSpider例子
該spider十分易用。下邊是其中一個例子:
from scrapy import log from scrapy.contrib.spiders import XMLFeedSpider from myproject.items import TestItem class MySpider(XMLFeedSpider): name = 'example.com' allowed_domains = ['example.com'] start_urls = ['http://www.example.com/feed.xml'] iterator = 'iternodes' # This is actually unnecessary, since it's the default value itertag = 'item' def parse_node(self, response, node): log.msg('Hi, this is a <%s> node!: %s' % (self.itertag, ''.join(node.extract()))) item = TestItem() item['id'] = node.xpath('@id').extract() item['name'] = node.xpath('name').extract() item['description'] = node.xpath('description').extract() return item
簡單來說,我們在這裏創建了一個spider,從給定的 start_urls
中下載feed, 並迭代feed中每個 item
標籤,輸出,並在 Item
中存儲有些隨機數據。
CSVFeedSpider
classscrapy.contrib.spiders.
CSVFeedSpider
該spider除了其按行遍歷而不是節點之外其他和XMLFeedSpider十分類似。 而其在每次迭代時調用的是 parse_row()
。
delimiter
在CSV文件中用於區分字段的分隔符。類型爲string。 默認爲 ','
(逗號)。
headers
在CSV文件中包含的用來提取字段的行的列表。參考下邊的例子。
parse_row
(response, row)
該方法接收一個response對象及一個以提供或檢測出來的header爲鍵的字典(代表每行)。 該spider中,您也可以覆蓋 adapt_response
及 process_results
方法來進行預處理(pre-processing)及後(post-processing)處理。
CSVFeedSpider例子
下面的例子和之前的例子很像,但使用了 CSVFeedSpider
:
from scrapy import log from scrapy.contrib.spiders import CSVFeedSpider from myproject.items import TestItem class MySpider(CSVFeedSpider): name = 'example.com' allowed_domains = ['example.com'] start_urls = ['http://www.example.com/feed.csv'] delimiter = ';' headers = ['id', 'name', 'description'] def parse_row(self, response, row): log.msg('Hi, this is a row!: %r' % row) item = TestItem() item['id'] = row['id'] item['name'] = row['name'] item['description'] = row['description'] return item
SitemapSpider
classscrapy.contrib.spiders.
SitemapSpider
SitemapSpider使您爬取網站時可以通過 Sitemaps 來發現爬取的URL。
其支持嵌套的sitemap,並能從 robots.txt 中獲取sitemap的url。
sitemap_urls
包含您要爬取的url的sitemap的url列表(list)。 您也可以指定爲一個 robots.txt ,spider會從中分析並提取url。
sitemap_rules
一個包含 (regex, callback)
元組的列表(list):
regex
是一個用於匹配從sitemap提供的url的正則表達式。regex
可以是一個字符串或者編譯的正則對象(compiled regex object)。- callback指定了匹配正則表達式的url的處理函數。
callback
可以是一個字符串(spider中方法的名字)或者是callable。
例如:
sitemap_rules = [('/product/', 'parse_product')]
規則按順序進行匹配,之後第一個匹配纔會被應用。
如果您忽略該屬性,sitemap中發現的所有url將會被 parse
函數處理。
sitemap_follow
一個用於匹配要跟進的sitemap的正則表達式的列表(list)。其僅僅被應用在 使用 Sitemap index files 來指向其他sitemap文件的站點。
默認情況下所有的sitemap都會被跟進。
sitemap_alternate_links
指定當一個 url
有可選的鏈接時,是否跟進。 有些非英文網站會在一個 url
塊內提供其他語言的網站鏈接。
例如:
<url> <loc>http://example.com/</loc> <xhtml:link rel="alternate" hreflang="de" href="http://example.com/de"/> </url>
當 sitemap_alternate_links
設置時,兩個URL都會被獲取。 當 sitemap_alternate_links
關閉時,只有 http://example.com/
會被獲取。
默認 sitemap_alternate_links
關閉。
SitemapSpider樣例
簡單的例子: 使用 parse
處理通過sitemap發現的所有url:
from scrapy.contrib.spiders import SitemapSpider class MySpider(SitemapSpider): sitemap_urls = ['http://www.example.com/sitemap.xml'] def parse(self, response): pass # ... scrape item here ...
用特定的函數處理某些url,其他的使用另外的callback:
from scrapy.contrib.spiders import SitemapSpider class MySpider(SitemapSpider): sitemap_urls = ['http://www.example.com/sitemap.xml'] sitemap_rules = [ ('/product/', 'parse_product'), ('/category/', 'parse_category'), ] def parse_product(self, response): pass # ... scrape product ... def parse_category(self, response): pass # ... scrape category ...
跟進 robots.txt 文件定義的sitemap並只跟進包含有 ..sitemap_shop
的url:
from scrapy.contrib.spiders import SitemapSpider class MySpider(SitemapSpider): sitemap_urls = ['http://www.example.com/robots.txt'] sitemap_rules = [ ('/shop/', 'parse_shop'), ] sitemap_follow = ['/sitemap_shops'] def parse_shop(self, response): pass # ... scrape shop here ...
在SitemapSpider中使用其他url:
from scrapy.contrib.spiders import SitemapSpider class MySpider(SitemapSpider): sitemap_urls = ['http://www.example.com/robots.txt'] sitemap_rules = [ ('/shop/', 'parse_shop'), ] other_urls = ['http://www.example.com/about'] def start_requests(self): requests = list(super(MySpider, self).start_requests()) requests += [scrapy.Request(x, self.parse_other) for x in self.other_urls] return requests def parse_shop(self, response): pass # ... scrape shop here ... def parse_other(self, response): pass # ... scrape other here ...