Scrapy spider 蜘蛛

Spider 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默认的爬虫如下

scrapy.Spider

它是所有其他蜘蛛都必须继承的蜘蛛。 它有以下类

class scrapy.spiders.Spider

下表是 scrapy.Spider 类的字段

Spider 参数

Spider 参数用于指定起始 URL，并使用带 -a 选项的爬网命令传递，如下所示

$ scrapy crawl first_scrapy -a group = accessories

下面的代码演示了蜘蛛如何接收参数

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Spider

我们可以使用通用Spider从中继承我们的Spider。 他们的目标是根据特定规则跟踪网站上的所有链接，从所有页面中提取数据。

对于以下蜘蛛中使用的示例，假设我们有一个包含以下字段的项目

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废弃多个页面。 它有以下类

class scrapy.spiders.CrawlSpider

以下是 CrawlSpider 类的属性

rules

它是定义爬虫如何跟踪链接的规则对象列表。

CrawlSpider类规则如下表

parse_start_url(response)

它通过允许解析初始响应来返回项目或请求对象。

注意 - 确保在编写规则时重命名解析函数而不是解析函数，因为 CrawlSpider 使用解析函数来实现其逻辑。

我们看下面的例子，spider开始爬取 demoexample.com 的主页，收集所有的页面，链接，用 parse_items 方法解析

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

它是从 XML 提要中抓取并遍历节点的蜘蛛的基类。 它有以下类

class scrapy.spiders.XMLFeedSpider

下表显示了用于设置迭代器和标记名称的类属性

CSVFeedSpider

它遍历每一行，接收一个 CSV 文件作为响应，然后调用 parse_row() 方法。 它有以下类

class scrapy.spiders.CSVFeedSpider

下表显示了可以针对 CSV 文件设置的选项

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 中定位 URL 来抓取网站。 它有以下类

class scrapy.spiders.SitemapSpider

SitemapSpider 的字段如下表

SitemapSpider 示例

下面的 SitemapSpider 处理所有的 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 处理一些带回调的 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 robots.txt 中的站点地图，其 url 具有 /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 

我们甚至可以将 SitemapSpider 与其他 URL 结合使用，如以下命令所示。

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...