Scrapy源码分析-所有爬虫的基类-Spider(二)
2014-07-20 08:55
316 查看
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。
Spider是最基本的类,所有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 , Requests交由Scrapy下载,并由指定的回调函数处理.一直进行循环,直到处理完所有的数据为止。
Spider是最基本的类,所有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 , Requests交由Scrapy下载,并由指定的回调函数处理.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 elif not getattr(self, 'name', None): raise ValueError("%s must have a name" % type(self).__name__) 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 = [] def log(self, message, level=log.DEBUG, **kw): log.msg(message, spider=self, level=level, **kw) 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, 并返回这些对象的迭代器 #该方法金调用一次 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__
相关文章推荐
- Scrapy Redis源码 spider分析
- Scrapy源码分析-Spiders爬虫中文文档(一)
- 第三百四十五节,Python分布式爬虫打造搜索引擎Scrapy精讲—爬虫和反爬的对抗过程以及策略—scrapy架构源码分析图
- [Python-Twisted] 协议基类源码分析。
- 自己动手编写CSDN博客备份工具-blogspider之源码分析(1)
- 开源JAVA爬虫crawler4j源码分析 - 3 线程管理
- Scrapy源码分析-常用的爬虫类-CrawlSpider(三)
- cxxtest单元测试框架源码分析(二):所有对外功能实现分析
- Launcher3源码分析 — 所有应用页面的数据加载和绑定
- scrapy-redis源码分析
- 搜索引擎–Python下开源爬虫(spider)框架scrapy的使用
- Scrapy源码分析-Item Pipeline中文文档(四)
- 自己动手编写CSDN博客备份工具-blogspider之源码分析(2)
- 自己动手编写CSDN博客备份工具-blogspider之源码分析(1)
- 自己动手编写CSDN博客备份工具-blogspider之源码分析(3)
- 开源JAVA爬虫crawler4j源码分析 - 2 开始使用crawler4j
- mysql中kill掉所有锁表的进程爬虫抓取数据分析
- 自己动手编写CSDN博客备份工具-blogspider之源码分析(2)
- 自己动手编写CSDN博客备份工具-blogspider之源码分析(3)
- OSMDroid源码分析之瓦片载入基类:MapTileModuleProviderBase