2024年最全Scrapy框架及组件描述_scrapy爬虫框架的主要组成部分及作用，2024年最新Python面试选择题

rr8f2haQf

于 2024-05-04 17:02:34 发布

阅读量765

点赞数 26

分类专栏：程序员文章标签： scrapy 爬虫 python

本文链接：https://blog.csdn.net/rr8f2haQf/article/details/138445316

版权

程序员专栏收录该内容

259 篇文章 0 订阅

订阅专栏

在这里插入图片描述

感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：

①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

text:<property object at 0x00000257D64B2778>
css:<function Response.css at 0x00000257D64B46A8>
xpath:<function Response.xpath at 0x00000257D64B4730>
follow:<function Response.follow at 0x00000257D64B47B8>
dict:<attribute ‘dict’ of ‘Response’ objects>
weakref:<attribute ‘weakref’ of ‘Response’ objects>
doc:None


从上面我们会看到三个重要属性（url、body和text），再查看下Response类源码会发现如下代码

url = property(_get_url, obsolete_setter(_set_url, ‘url’))
body = property(_get_body, obsolete_setter(_set_body, ‘body’))

@property
def text(self):
“”“For subclasses of TextResponse, this will return the body
as text (unicode object in Python 2 and str in Python 3)
“””
raise AttributeError(“Response content isn’t text”)


url、body、text这就是我们在爬虫分析中需要用到的三个重要属性，都可与通过Response对象获得


**例子：**

‘’’
遇到问题没人解答？Python学习交流群：857662006 寻找有志同道合的小伙伴，互帮互助
群里还有不错的视频学习教程和PDF电子书！
‘’’
import scrapy
from lxml import etree

class CountrySpider(scrapy.Spider):
name = ‘country’
allowed_domains = [‘example.webscraping.com’]
start_urls = [‘http://example.webscraping.com/places/default/view/Afghanistan-1’]

#该函数名不能改变，因为scrapy源码中默认callback函数的函数名就是parse
def parse(self, response):
    from bs4 import BeautifulSoup as bs
    print(response.url)
    soup = bs(response.body)
    names = [i.string for i in soup.select('td.w2p_fl')]
    values = [j.string for j in soup.select('td.w2p_fw')]
    dic = dict(zip(names, values))
    print(dic)


### 2. Spider类


（1）样的方法，线查看Spider类提供的属性

import scrapy

for key,val in scrapy.Spider.dict.items():
print(“{}:{}”.format(key,val))

module:scrapy.spiders
doc:Base class for scrapy spiders. All spiders must inherit from this
class.
name:None
custom_settings:None
init:<function Spider.init at 0x000001E161FFFD90>
logger:<property object at 0x000001E161785D18>
log:<function Spider.log at 0x000001E161FFFEA0>
from_crawler:<classmethod object at 0x000001E16178B208>
set_crawler:<function Spider.set_crawler at 0x000001E161FF8048>
_set_crawler:<function Spider._set_crawler at 0x000001E161FF80D0>
start_requests:<function Spider.start_requests at 0x000001E161FF8158>
make_requests_from_url:<function Spider.make_requests_from_url at 0x000001E161FF81E0>
parse:<function Spider.parse at 0x000001E161FF8268>
update_settings:<classmethod object at 0x000001E16178B240>
handles_request:<classmethod object at 0x000001E16178B278>
close:<staticmethod object at 0x000001E161FF7E80>
str:<function Spider.str at 0x000001E161FF8488>
repr:<function Spider.str at 0x000001E161FF8488>
dict:<attribute ‘dict’ of ‘Spider’ objects>
weakref:<attribute ‘weakref’ of ‘Spider’ objects>


（2）接下来对其中几个重要的属性和方法进行说明：


start\_requests()


该 方法会默认读取start\_urls属性中定义的网址，为每一个网址生成一个Request请求对象，并返回可迭代对象


make\_request\_from\_url(url)


该方法会被start\_request()调用，该方法负责实现生成Request请求对象


close(reason)


关闭Spider时，该方法会被调用


log(message[,level,component])


使用该方法可以实现在Spider中添加log


（3）上面几个函数对应的源码

‘’’
遇到问题没人解答？Python学习交流群：857662006 寻找有志同道合的小伙伴，互帮互助
群里还有不错的视频学习教程和PDF电子书！
‘’’
def start_requests(self):
cls = self.class
if method_is_overridden(cls, Spider, ‘make_requests_from_url’):
warnings.warn(
"Spider.make_requests_from_url method is deprecated; it "
"won’t be called in future Scrapy releases. Please "
“override Spider.start_requests method instead (see %s.%s).” % (
cls.module, cls.name
),
)
for url in self.start_urls:
yield self.make_requests_from_url(url)
else:
for url in self.start_urls:
yield Request(url, dont_filter=True)

def make_requests_from_url(self, url):
    """ This method is deprecated. """
    return Request(url, dont_filter=True)

def log(self, message, level=logging.DEBUG, **kw):
    """Log the given message at the given log level

    This helper wraps a log call to the logger within the spider, but you
    can use it directly (e.g. Spider.logger.info('msg')) or use any other
    Python logger too.
    """
    self.logger.log(level, message, **kw)


（4）例子：重写start\_request()方法

import scrapy
from lxml import etree

class CountrySpider(scrapy.Spider):
name = ‘country’
allowed_domains = [‘example.webscraping.com’]
start_urls = [‘http://example.webscraping.com/places/default/view/Afghanistan-1’,
“http://example.webscraping.com/places/default/view/Aland-Islands-2”]

#重写start_request()方法
def start_requests(self):
    for url in self.start_urls:
        yield self.make_requests_from_url(url)

#该函数名不能改变，因为scrapy源码中默认callback函数的函数名就是parse
def parse(self, response):
    from bs4 import BeautifulSoup as bs
    print(response.url)
    soup = bs(response.body)
    names = [i.string for i in soup.select('td.w2p_fl')]
    values = [j.string for j in soup.select('td.w2p_fw')]
    dic = dict(zip(names, values))
    print(dic)


![[外链图片转存失败(img-Q7ieuUjw-1564730141711)(https://img2018.cnblogs.com/blog/1117865/201811/1117865-20181122152940804-696716032.png)]](https://img-blog.csdnimg.cn/20190802151720877.?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM4NjgyODYw,size_16,color_FFFFFF,t_70)


### 3. pipines的编写


在项目被蜘蛛抓取后，它被发送到项目管道，它通过顺序执行的几个组件来处理它。


每个项目管道组件（有时称为“Item Pipeline”）是一个实现简单方法的Python类。他们接收一个项目并对其执行操作，还决定该项目是否应该继续通过流水线或被丢弃并且不再被处理。


简单理解就是将item的内容进行处理或保存

class CrawlerPipeline(object):
def process_item(self, item, spider):

    country_name = item["country_name"]
    country_area = item["country_area"]
    # 后续处理，可以写进文件
    return item


新手必遇到文件，发现process\_item没有被调用，解决方案：


（1）在setting.py中进行配置




做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。



别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

* * *



**（1）Python所有方向的学习路线（新版）**

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。



最近我才对这些路线做了一下新的更新，知识体系更全面了。



![在这里插入图片描述](https://img-blog.csdnimg.cn/8fc093dcfa1f476694c574db1242c05b.png)



**（2）Python学习视频**



包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。



![在这里插入图片描述](https://img-blog.csdnimg.cn/d66e3ad5592f4cdcb197de0dc0438ec5.png#pic_center)



**（3）100多个练手项目**

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。



![在这里插入图片描述](https://img-blog.csdnimg.cn/f5aeb4050ab547cf90b1a028d1aacb1d.png#pic_center)



**（4）200多本电子书**  

  

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。



基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。



**（5）Python知识点汇总**

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。



![在这里插入图片描述](https://img-blog.csdnimg.cn/c741a91b05a542ba9dc8abf2f2f4b1af.png)



**（6）其他资料**



还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。



![在这里插入图片描述](https://img-blog.csdnimg.cn/9fa77af248b84885a6ec779b2ead064d.png)

**这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。**




**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化学习资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618317507)**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

rr8f2haQf

关注

26
点赞
踩
26

收藏

觉得还不错? 一键收藏
0
评论
2024年最全Scrapy框架及组件描述_scrapy爬虫框架的主要组成部分及作用，2024年最新Python面试选择题

Python学习交流群：857662006 寻找有志同道合的小伙伴，互帮互助。Python学习交流群：857662006 寻找有志同道合的小伙伴，互帮互助。④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）①　2000多本Python电子书（主流和经典的书籍应该都有了）③　项目源码（四五十个有趣且经典的练手项目及源码）⑤ Python学习路线图（告别不入流的学习）群里还有不错的视频学习教程和PDF电子书！群里还有不错的视频学习教程和PDF电子书！
复制链接

扫一扫

专栏目录