Scrapy - 爬虫

---

---

描述

爬虫是一个类，负责定义如何通过网站跟踪链接并从页面中提取信息。

Scrapy 的默认爬虫如下：

scrapy.Spider

它是一个爬虫，所有其他爬虫都必须继承它。它具有以下类：

class scrapy.spiders.Spider

下表显示了 scrapy.Spider 类的字段：

爬虫参数

爬虫参数用于指定起始 URL，并使用 crawl 命令和 -a 选项传递，如下所示：

scrapy crawl first_scrapy -a group = accessories

以下代码演示了爬虫如何接收参数：

import scrapy 

class FirstSpider(scrapy.Spider): 
   name = "first" 
   
   def __init__(self, group = None, *args, **kwargs): 
      super(FirstSpider, self).__init__(*args, **kwargs) 
      self.start_urls = ["http://www.example.com/group/%s" % group]

通用爬虫

您可以使用通用爬虫从其子类化您的爬虫。它们的目的是根据某些规则跟踪网站上的所有链接，以从所有页面提取数据。

对于以下爬虫中使用的示例，让我们假设我们有一个具有以下字段的项目：

import scrapy 
from scrapy.item import Item, Field 
  
class First_scrapyItem(scrapy.Item): 
   product_title = Field() 
   product_link = Field() 
   product_description = Field() 

CrawlSpider

CrawlSpider 定义了一组规则来跟踪链接并抓取多个页面。它具有以下类：

class scrapy.spiders.CrawlSpider

以下是 CrawlSpider 类的属性：

rules

它是一个规则对象的列表，定义了爬虫如何跟踪链接。

下表显示了 CrawlSpider 类的规则：

parse_start_url(response)

它通过允许解析初始响应返回项或请求对象。

注意 − 编写规则时，请确保将 parse 函数重命名为除 parse 之外的其他名称，因为 parse 函数由 CrawlSpider 用于实现其逻辑。

让我们看一下下面的示例，其中爬虫从 demoexample.com 的主页开始爬取，收集所有页面、链接，并使用 parse_items 方法进行解析：

import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor

class DemoSpider(CrawlSpider):
   name = "demo"
   allowed_domains = ["www.demoexample.com"]
   start_urls = ["http://www.demoexample.com"]
      
   rules = ( 
      Rule(LinkExtractor(allow =(), restrict_xpaths = ("//div[@class = 'next']",)),
         callback = "parse_item", follow = True),
   )
   
   def parse_item(self, response):
      item = DemoItem()
      item["product_title"] = response.xpath("a/text()").extract()
      item["product_link"] = response.xpath("a/@href").extract()
      item["product_description"] = response.xpath("div[@class = 'desc']/text()").extract()
      return items

XMLFeedSpider

它是用于从 XML feed 抓取并迭代节点的爬虫的基类。它具有以下类：

class scrapy.spiders.XMLFeedSpider

下表显示了用于设置迭代器和标签名称的类属性：

CSVFeedSpider

它迭代其每一行，接收 CSV 文件作为响应，并调用 parse_row() 方法。它具有以下类：

class scrapy.spiders.CSVFeedSpider

下表显示了可以设置的关于 CSV 文件的选项：

CSVFeedSpider 示例

from scrapy.spiders import CSVFeedSpider
from demoproject.items import DemoItem  

class DemoSpider(CSVFeedSpider): 
   name = "demo" 
   allowed_domains = ["www.demoexample.com"] 
   start_urls = ["http://www.demoexample.com/feed.csv"] 
   delimiter = ";" 
   quotechar = "'" 
   headers = ["product_title", "product_link", "product_description"]  
   
   def parse_row(self, response, row): 
      self.logger.info("This is row: %r", row)  
      item = DemoItem() 
      item["product_title"] = row["product_title"] 
      item["product_link"] = row["product_link"] 
      item["product_description"] = row["product_description"] 
      return item

SitemapSpider

SitemapSpider 在 站点地图 的帮助下通过从 robots.txt 中找到 URL 来爬取网站。它具有以下类：

class scrapy.spiders.SitemapSpider

下表显示了 SitemapSpider 的字段：

SitemapSpider 示例

以下 SitemapSpider 处理所有 URL：

from scrapy.spiders import SitemapSpider  

class DemoSpider(SitemapSpider): 
   urls = ["http://www.demoexample.com/sitemap.xml"]  
   
   def parse(self, response): 
      # You can scrap items here

以下 SitemapSpider 使用回调处理一些 URL：

from scrapy.spiders import SitemapSpider  

class DemoSpider(SitemapSpider): 
   urls = ["http://www.demoexample.com/sitemap.xml"] 
   
   rules = [ 
      ("/item/", "parse_item"), 
      ("/group/", "parse_group"), 
   ]  
   
   def parse_item(self, response): 
      # you can scrap item here  
   
   def parse_group(self, response): 
      # you can scrap group here 

以下代码显示了 robots.txt 中的站点地图，其 url 包含 /sitemap_company：

from scrapy.spiders import SitemapSpider

class DemoSpider(SitemapSpider): 
   urls = ["http://www.demoexample.com/robots.txt"] 
   rules = [ 
      ("/company/", "parse_company"), 
   ] 
   sitemap_follow = ["/sitemap_company"]  
   
   def parse_company(self, response): 
      # you can scrap company here 

你甚至可以将 SitemapSpider 与其他 URL 结合使用，如下面的命令所示。

from scrapy.spiders import SitemapSpider  

class DemoSpider(SitemapSpider): 
   urls = ["http://www.demoexample.com/robots.txt"] 
   rules = [ 
      ("/company/", "parse_company"), 
   ]  
   
   other_urls = ["http://www.demoexample.com/contact-us"] 
   def start_requests(self): 
      requests = list(super(DemoSpider, self).start_requests()) 
      requests += [scrapy.Request(x, self.parse_other) for x in self.other_urls] 
      return requests 

   def parse_company(self, response): 
      # you can scrap company here... 

   def parse_other(self, response): 
      # you can scrap other here...