Scrapy 1.3.2 - Spider的全面认识

Spiders

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。

对spider来说，爬取的循环类似下文:
1. 以初始的URL初始化Request，并设置回调函数。 当该request下载完毕并返回时，将生成response，并作为参数传给该回调函数。
spider中初始的request是通过调用 start_requests() 来获取的。 start_requests() 读取 start_urls 中的URL， 并以 parse 为回调函数生成 Request 。
2. 在回调函数内分析返回的(网页)内容，返回 Item 对象或者 Request 或者一个包括二者的可迭代容器。 返回的Request对象之后会经过Scrapy处理，下载相应的内容，并调用设置的callback函数(函数可相同)。
3. 在回调函数内，您可以使用 选择器(Selectors) (您也可以使用BeautifulSoup, lxml 或者您想用的任何解析器) 来分析网页内容，并根据分析的数据生成item。
4. 最后，由spider返回的item将被存到数据库(由某些 Item Pipeline 处理)或使用 Feed exports 存入到文件中。

虽然该循环对任何类型的spider都(多少)适用，但Scrapy仍然为了不同的需求提供了多种默认spider。 之后将讨论这些spider。

scrapy.Spider

Spider是最简单的spider。每个其他的spider必须继承自该类(包括Scrapy自带的其他spider以及我们自己编写的spider)。 Spider并没有提供什么特殊的功能。 其仅仅请求给定的 start_urls/start_requests ，并根据返回的结果(resulting responses)调用spider的 parse 方法。

• name:
  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。 不过您可以生成多个相同的spider实例(instance)，这没有任何限制。 name是spider最重要的属性，而且是必须的。
  
  如果该spider爬取单个网站(single domain)，一个常见的做法是以该网站(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 。

• allowed_domains:
  可选，包含了spider允许爬取的域名(domain)列表(list)。 当 OffsiteMiddleware 启用时， 域名不在列表中的URL不会被跟进。

• start_urls:
  URL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。 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。

• custom_settings:
  一个在运行时会覆盖项目设置的字典。它必须设置为类属性，因为设置在实例化之前更新。可以使用的设置字段可以参考这里Built-in settings reference。

• crawler:
  这个属性会在类初始化以后通过from_crawler()方法获得，并链接到此Spider实例绑定到的Crawler对象。
  Crawlers在项目中封装了大量的组件用于他们的单个条目访问（例如扩展，中间件，信号管理器等）。 有关详情，请参阅抓取工具API。

• settings:
  运行此Spider的配置。 这是一个设置实例，有关此主题的详细介绍，请参阅设置主题。

• logger:
  使用Spider的name创建的Python记录器。我们可以通过它来发送在Spider运行时产生的日志消息。

• from_crawler(crawler, *args, **kwargs)
  这是Scrapy用来创建Spider的方法。
  你可能不需要直接覆盖它，因为默认实现充当init （）方法的代理，使用给定的参数args和命名参数kwargs调用它。
  经管如此，该方法在创建新实例的时候会设置crawler和settings,以便稍后再Spider程序中访问。

  参数含义
  crawler(Crawler实例）：将于Spider绑定的crawler
  args(list)：将要传递到_init_()中的参数
  kwargs(dict)：传递给_init_()关键字参数

• start_requests():
  该方法返回一个可迭代的对象，包含了Spider用于爬取的第一个Request。
  当spider启动爬取并且未制定URL时，该方法被调用。 当指定了URL时，make_requests_from_url() 将被调用来创建Request对象。 该方法仅仅会被Scrapy调用一次，因此我们可以将其实现为生成器。
  该方法默认通过make_requests_from_url()来为start_urls中的每一个url创建Requests(请求)。
  如果想要修改最初爬取某个网站的Request对象，我们可以重写(override)该方法。 例如，如果我们需要在启动时以POST登录某个网站:

import scrapy

class LogginSpider(scrapy.Spider):

    name = 'loggin_test'

    def start_requests(self):
        return [scrapy.FormRequest('http://quotes.toscrape.com/login',
                                   formdata={'password': '1234', 'username': '1234'},
                                   callback= self.loggin)]

    def loggin(self, response):
        print response.body

• make_requests_from_url(url):
  该方法接受一个URL并且返回一个Request对象（或者Request列表）用于爬取。此方法用于在start_requests（）方法中构造初始请求，并且通常用于将URL转换为请求。
  除非重写，否则该方法返回一个以parse()作为回调方法的Request，并启用dont_filter参数。

• parse(response)
  当response没有指定回调函数时，该方法是Scrapy处理下载的response的默认方法。
  parse 负责处理response并返回处理的数据以及(/或)跟进的URL。 Spider 对其他的Request的回调函数也有相同的要求。
  这个方法及其他Request的回调方法都必须返回一个可迭代的Request对象，或字典，或Item对象。

• log(message[,level, component])
  使用 scrapy.log.msg() 方法记录(log)message。 log中自动带上该spider的 name 属性

• closed(reason)
  该方法在Spider关闭时调用，该方法提供了一个替代调用signals.connect()来监听 spider_closed 信号的快捷方式。

通用Spider

Scrapy附带一些有用的通用蜘蛛，你可以使用它来子类化你的蜘蛛。 他们的目的是为一些常见的抓取案例提供方便的功能，例如根据某些规则跟踪网站上的所有链接，从站点地图抓取或解析XML / CSV Feed

在接下来的例子中，我们首先要在项目根目录下的items.py文件中新建TestItem类：

import scrapy

class TestItem(scrapy.Item):
    id = scrapy.Field()
    name = scrapy.Field()
    description = scrapy.Field()

CrawlSpider

这是最常用的爬行常规网站的Spider，因为它通过定义一组规则为跟随链接提供了一种方便的机制。 它可能不是最适合特定网站或项目，但它是通用的几种情况下，所以我们可以从它开始，覆盖它根据需要更多的自定义功能，或只是实现自己的Spider。

除了继承自Spider的属性，该类还有一个新的属性：

• rules
  一个包含一个(或多个) Rule 对象的集合(list)。 每个 Rule 对爬取网站的动作定义了特定表现。 Rule对象在下边会介绍。 如果多个rule匹配了相同的链接，则根据他们在本属性中被定义的顺序，第一个会被使用。

CrawlSpider也提供了一个可以复写的方法：

-parse_start_url(response)：
start_urls响应时调用此方法。 它允许解析初始响应，并且必须返回Item对象，Request对象或包含两者的iterable。

Crawling rules

Rule 构造函数的参数：
- link_extractor：是一个Link Extractor 对象，它定义了如何从爬取的页面中提取链接。
- callback : 是一个回调接口或者String（Spider中同名函数将被调用），从link_extractor中每获取到链接时将会调用该函数。该回调函数接受一个response作为其第一个参数， 并返回一个包含 Item 以及(或) Request 对象(或者这两者的子类)的列表(list)。

注意
当编写爬虫规则的时候，应避免使用parse()做为回调函数，因为CrawlSpider 使用parse()实现其逻辑。
- cb_kwargs : 包含传递给回调函数的参数(keyword argument)的字典。
- follow : 是一个布尔(boolean)值，指定了根据该规则从response提取的链接是否需要跟进。 如果 callback 为None， follow 默认设置为 True ，否则默认为 False 。
- process_links : 是一个callable或string(该spider中同名的函数将会被调用)。 从link_extractor中获取到链接列表时将会调用该函数。该方法主要用来过滤。
- process_request : 是一个callable或string(该spider中同名的函数将会被调用)。 该规则提取到每个request时都会调用该函数。该函数必须返回一个request或者None。 (用来过滤request)。

XMLFeedSpider

XMLFeedSpider被设计用于通过迭代各个节点来分析XML源(XML feed)。 迭代器可以从 iternodes ， xml ， html 选择。 鉴于 xml 以及 html 迭代器需要先读取所有DOM再分析而引起的性能问题， 一般还是推荐使用 iternodes 。 不过使用 html 作为迭代器能有效应对错误的XML。

在使用的时候我们必须通过定义类属性来设置 iterator 和 tag 的 名称：
- iterator
用于确定使用哪个迭代器的string。可选项有:
- iternodes: 一个高性能的基于正则表达式的迭代器
- html : 使用 Selector 的迭代器。 需要注意的是该迭代器使用DOM进行分析，其需要将所有的DOM载入内存， 当数据量大的时候会产生问题。
- xml : 使用 Selector 的迭代器。 需要注意的是该迭代器使用DOM进行分析，其需要将所有的DOM载入内存， 当数据量大的时候会产生问题

• itertag
  包含开始迭代的节点的名称itertag = ‘product’

• namespaces:
  一个由 (prefix, url) 元组(tuple)所组成的list。 其定义了在该文档中会被spider处理的可用的namespace。 prefix 及 uri 会被自动调用 register_namespace() 生成namespace。

除了这些新添加的属性外，我们也可以复写一些方法：

• adapt_response(responsed):
  该方法在Spider解析response之前被调用。我们可以在response在被分析之前修改其内容。该方法接收一个responsez并且也返回一个response(可以是相同的)。

• parse_node(response, selector):
  对于与提供的标记名称（itertag）匹配的节点，将调用此方法。 接收每个节点的响应和选择器。 覆盖此方法是必需的。 否则，你的Spider不会工作。 此方法必须返回Item对象，Request对象或包含其中任何对象的iterable。

• process_results(response, results):
  对于由Spider返回的每个结果（项目或请求），将调用此方法，并且它将在将结果返回到框架核心之前执行所需的任何最后处理，例如设置项目ID。 它接收结果列表和产生那些结果的响应。 它必须返回结果列表（项目或请求）。

CSVFeedSpider

这个Spider非常类似于XMLFeedSpider，除了它迭代行，而不是节点。 在每次迭代中调用的方法是parse_row（）。
- delimiter:
CSV文件中字段组成的字符串，默认以”,”隔开。

• quotechar:
  同上，默认’ ” ‘。

• headers:
  文件CSV Feed中包含的行的列表，用于从中提取字段。

• parse_row(response, row):
  使用CSV文件的每个提供（或检测到）标头的键接收响应和dict（表示每行）。 此Spider还提供了覆盖adapt_response和process_results方法用于预处理和后处理目的的机会。

SitemapSpider

SitemapSpider允许您通过使用Sitemaps发现网址来抓取网站。
它支持嵌套Sitemap和从robots.txt发现Sitemap网址。

• sitemao_urls:
  抓取的网站的网址列表。
  还可以指向robots.txt,自动解析从中提取Sitemap网址。

• sitemap_follow:
  应遵循的网站地图的正则表达式列表。 这只适用于使用指向其他Sitemap文件的Sitemap索引文件的网站。
  默认情况下，将跟踪所有网站地图

• sitemap_alternate_links:
  指定是否应遵循一个网址的替代链接。 这些是同一网站在同一网址中传递的另一种语言的链接。