Python案例教程_Scrapy爬虫框架[二]-XAMPP中文组官网

pipeline

当Item在Spider中被收集之后，它将会被传递到Item Pipeline，这些Item Pipeline组件按定义的顺序处理Item。每个Item Pipeline都是实现了简单方法的Python类，比如决定此Item是丢弃而存储。以下是item pipeline的一些典型应用：

验证爬取的数据(检查item包含某些字段，比如说name字段)
查重(并丢弃)
将爬取结果保存到文件或者数据库中

编写item pipeline

编写item pipeline很简单，item pipiline组件是一个独立的Python类，其中process_item()方法必须实现:

import something

class SomethingPipeline(object):
    def __init__(self):
        # 可选实现，做参数初始化等
        # doing something

    def process_item(self, item, spider):
        # item (Item 对象) – 被爬取的item
        # spider (Spider 对象) – 爬取该item的spider
        # 这个方法必须实现，每个item pipeline组件都需要调用该方法，
        # 这个方法必须返回一个 Item 对象，被丢弃的item将不会被之后的pipeline组件所处理。
        return item

    def open_spider(self, spider):
        # spider (Spider 对象) – 被开启的spider
        # 可选实现，当spider被开启时，这个方法被调用。

    def close_spider(self, spider):
        # spider (Spider 对象) – 被关闭的spider
        # 可选实现，当spider被关闭时，这个方法被调用

item写入JSON文件

以下pipeline将所有(从所有’spider’中)爬取到的item，存储到一个独立地items.json 文件，每行包含一个序列化为’JSON’格式的’item’:

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
import json

class LoadermanPipeline(object):

    def __init__(self):
        self.file = open('loaderman.json', 'w')
        # self.file.write("[")

    def process_item(self, item, spider):

        jsontext = json.dumps(dict(item), ensure_ascii=False) + " ,\n"

        self.file.write(jsontext.encode("utf-8"))

        return item

    def close_spider(self, spider):
        # self.file.write("]")
        self.file.close()

为了启用Item Pipeline组件，必须将它的类添加到 settings.py文件ITEM_PIPELINES 配置，如下:

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#    'scrapyDemo.pipelines.ScrapydemoPipeline': 300,
#}

ITEM_PIPELINES = {

    'scrapyDemo.pipelines.LoadermanPipeline': 300,
}

分配给每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内（0-1000随意设置，数值越低，组件的优先级越高）

重新启动爬虫

将LoadermanSpider中的parse()方法修改代码如下：

# -*- coding: utf-8 -*-
import scrapy

from scrapyDemo.items import LoadermanItem

class LoadermanSpider(scrapy.Spider):
    name = 'loaderman'
    allowed_domains = ['http://www.cnblogs.com']
    start_urls = ['http://www.cnblogs.com/loaderman']

    def parse(self, response):
        # filename = "loaderman.html"
        # open(filename, 'w').write(response.body)
        xpathList = response.xpath("//div[@class='post']")
        # items= []
        for each in xpathList:
            # 将我们得到的数据封装到一个 `LoadermanItem` 对象

            item = LoadermanItem()

            # extract()方法返回的都是unicode字符串
            title = each.xpath(".//h2/a[@class='postTitle2']/text()").extract()
            detailUrl = each.xpath(".//a[@class='postTitle2']/@href").extract()
            content = each.xpath(".//div[@class='c_b_p_desc']/text()").extract()
            date = each.xpath(".//p[@class='postfoot']/text()").extract()
            # xpath返回的是包含一个元素的列表

            item['title'] = title[0]
            item['detailUrl'] = detailUrl[0]
            item['content'] = content[0]
            item['date'] = date[0]
            # items.append(item)
            # #将获取的数据交给pipelines
            yield items

        # 返回数据，不经过pipeline
        # return items

然后执行下面命令：

scrapy crawl loaderman

查看当前目录是否生成loaderman.json

Spider

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。class scrapy.Spider是最基本的类，所有编写的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，而Requests交由Scrapy下载，并由指定的回调函数处理（默认parse())，一直进行循环，直到处理完所有的数据为止。

源码参考：

#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
        # 如果爬虫没有名字，中断后续操作则报错
        elif not getattr(self, 'name', None):
            raise ValueError("%s must have a name" % type(self).__name__)

        # python 对象或类型通过内置成员__dict__来存储成员信息
        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 = []

    # 打印Scrapy执行后的log信息
    def log(self, message, level=log.DEBUG, **kw):
        log.msg(message, spider=self, level=level, **kw)

    # 判断对象object的属性是否存在，不存在做断言处理
    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，交给Scrapy下载并返回Response
    #该方法仅调用一次
    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__

主要属性和方法

name

定义spider名字的字符串。

例如，如果spider爬取 mywebsite.com，该spider通常会被命名为 mywebsite

allowed_domains

包含了spider允许爬取的域名(domain)的列表，可选。

start_urls

初始URL元祖/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。

start_requests(self)

该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取（默认实现是使用 start_urls 的url）的第一个Request。

当spider启动爬取并且未指定start_urls时，该方法被调用。

parse(self, response)

当请求url返回网页没有指定回调函数时，默认的Request对象回调函数。用来处理网页返回的response，以及生成Item或者Request对象。

log(self, message[, level, component])

使用 scrapy.log.msg() 方法记录(log)message。

案例：

创建一个新的爬虫：

scrapy genspider loaderman "cnblogs.com"

编写items.py

获取信息字段

class LoadermanItem(scrapy.Item):
    title = scrapy.Field()
    detailUrl = scrapy.Field()
    content = scrapy.Field()
    date = scrapy.Field()

编写LoadermanSpider.py

# -*- coding: utf-8 -*-
import scrapy

from scrapyDemo.items import LoadermanItem

class LoadermanSpider(scrapy.Spider):
    name = 'loaderman'
    allowed_domains = ['http://www.cnblogs.com']
    start_urls = ['http://www.cnblogs.com/loaderman']

    def parse(self, response):
        # filename = "loaderman.html"
        # open(filename, 'w').write(response.body)
        xpathList = response.xpath("//div[@class='post']")
        # items= []
        for each in xpathList:
            # 将我们得到的数据封装到一个 `LoadermanItem` 对象

            item = LoadermanItem()

            # extract()方法返回的都是unicode字符串
            title = each.xpath(".//h2/a[@class='postTitle2']/text()").extract()
            detailUrl = each.xpath(".//a[@class='postTitle2']/@href").extract()
            content = each.xpath(".//div[@class='c_b_p_desc']/text()").extract()
            date = each.xpath(".//p[@class='postfoot']/text()").extract()
            # xpath返回的是包含一个元素的列表

            item['title'] = title[0]
            item['detailUrl'] = detailUrl[0]
            item['content'] = content[0]
            item['date'] = date[0]
            # items.append(item)
            # #将获取的数据交给pipelines
            yield items

        # 返回数据，不经过pipeline
        # return items

编写pipeline.py文件

import json

class LoadermanPipeline(object):

    def __init__(self):
        self.file = open('loaderman.json', 'w')
        # self.file.write("[")

    def process_item(self, item, spider):

        jsontext = json.dumps(dict(item), ensure_ascii=False) + " ,\n"

        self.file.write(jsontext.encode("utf-8"))

        return item

    def close_spider(self, spider):
        # self.file.write("]")
        self.file.close()

在 setting.py 里设置ITEM_PIPELINES

ITEM_PIPELINES = {

    'scrapyDemo.pipelines.LoadermanPipeline': 300,
}

执行爬虫：scrapy crawl loaderman

parse()方法的工作机制

1. 因为使用的yield，而不是return。parse函数将会被当做一个生成器使用。scrapy会逐一获取parse方法中生成的结果，并判断该结果是一个什么样的类型；2. 如果是request则加入爬取队列，如果是item类型则使用pipeline处理，其他类型则返回错误信息。

3. scrapy取到第一部分的request不会立马就去发送这个request，只是把这个request放到队列里，然后接着从生成器里获取；

4. 取尽第一部分的request，然后再获取第二部分的item，取到item了，就会放到对应的pipeline里处理；

5. parse()方法作为回调函数(callback)赋值给了Request，指定parse()方法来处理这些请求 scrapy.Request(url, callback=self.parse)

6. Request对象经过调度，执行生成 scrapy.http.response()的响应对象，并送回给parse()方法，直到调度器中没有Request（递归的思路）

7. 取尽之后，parse()工作结束，引擎再根据队列和pipelines中的内容去执行相应的操作；

8. 程序在取得各个页面的items前，会先处理完之前所有的request队列里的请求，然后再提取items。

7. 这一切的一切，Scrapy引擎和调度器将负责到底。

转载请注明：XAMPP中文组官网 » Python案例教程_Scrapy爬虫框架[二]

Python案例教程_Scrapy爬虫框架[二]

与本文相关的文章

您必须登录才能发表评论！

与本文相关的文章

您必须 登录 才能发表评论！

您必须登录才能发表评论！