Python 爬蟲從入門到進階之路（十七）

在之前的文章中我們介紹了 scrapy 框架並給予 scrapy 框架寫了一個爬蟲來爬取《糗事百科》的糗事，本章我們繼續說一下 scrapy 框架並對之前的糗百爬蟲做一下優化和豐富。

在上一篇文章中，我們在項目中創建了一個 qiushiSpider.py 的文件，代碼如下：

import scrapy
from ..items import QiushiItem


class QiushiSpider(scrapy.Spider):
    # 爬蟲名
    name = "qiubai"
    # 允許爬蟲作用的范圍，不能越界
    allowd_domains = ["https://www.qiushibaike.com/"]
    # 爬蟲起始url
    start_urls = ["https://www.qiushibaike.com/text/page/1/"]

    # 我們無需再像之前利用 urllib 庫那樣去請求地址返回數據，在 scrapy 框架中直接利用下面的 parse 方法進行數據處理即可。
    def parse(self, response):
        # 通過 scrayy 自帶的 xpath 匹配想要的信息
        qiushi_list = response.xpath('//div[contains(@id,"qiushi_tag")]')
        for site in qiushi_list:
            # 實例化從 items.py 導入的 QiushiItem 類
            item = QiushiItem()
            # 根據查詢發現匿名用戶和非匿名用戶的標簽不一樣
            try:
                # 非匿名用戶
                username = site.xpath('./div/a/img/@alt')[0].extract()  # 作者
                imgUrl = site.xpath('./div/a/img/@src')[0].extract()  # 頭像
            except Exception:
                # 匿名用戶
                username = site.xpath('./div/span/img/@alt')[0].extract()  # 作者
                imgUrl = site.xpath('./div/span/img/@src')[0].extract()  # 頭像
            content = site.xpath('.//div[@class="content"]/span[1]/text()').extract()
            item['username'] = username
            item['imgUrl'] = "https:" + imgUrl
            item['content'] = content
            yield item

在上面的代碼中我們定義了一個 QiubaiSpider 的類，並且集成了 scrapy.Spider，我們就對這個類做一下詳細分析。

Spider類定義了如何爬取某個(或某些)網站。包括了爬取的動作(例如:是否跟進鏈接)以及如何從網頁的內容中提取結構化數據(爬取item)。 換句話說，Spider就是您定義爬取的動作及分析某個網頁(或者是有些網頁)的地方。

 class scrapy.Spider 是最基本的類，所有編寫的爬蟲必須繼承這個類。

主要用到的函數及調用順序為：

 __init__()  初始化爬蟲名字和start_urls列表

 start_requests() 調用 make_requests_from url() 生成Requests對象交給Scrapy下載並返回response

 parse() 解析response，並返回Item或Requests（需指定回調函數）。Item傳給Item pipline持久化 ， 而Requests交由Scrapy下載，並由指定的回調函數處理（默認parse() )，一直進行循環，直到處理完所有的數據為止。

#所有爬蟲的基類，用戶定義的爬蟲必須從這個類繼承
class Spider(object_ref):

    #定義spider名字的字符串(string)。spider的名字定義了Scrapy如何定位(並初始化)spider，所以其必須是唯一的。
    #name是spider最重要的屬性，而且是必須的。
    #一般做法是以該網站(domain)(加或不加 后綴 )來命名spider。 例如，如果spider爬取 mywebsite.com ，該spider通常會被命名為 mywebsite
    name = None

    #初始化，提取爬蟲名字，start_ruls
    def __init__(self, name=None, **kwargs):
        if name is not None:
            self.name = name
        # 如果爬蟲沒有名字，中斷后續操作則報錯
        elif not getattr(self, 'name', None):
            raise ValueError("%s must have a name" % type(self).__name__)

        # python 對象或類型通過內置成員__dict__來存儲成員信息
        self.__dict__.update(kwargs)

        #URL列表。當沒有指定的URL時，spider將從該列表中開始進行爬取。 因此，第一個被獲取到的頁面的URL將是該列表之一。 后續的URL將會從獲取到的數據中提取。
        if not hasattr(self, 'start_urls'):
            self.start_urls = []

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

    # 判斷對象object的屬性是否存在，不存在做斷言處理
    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

    #該方法將讀取start_urls內的地址，並為每一個地址生成一個Request對象，交給Scrapy下載並返回Response
    #該方法僅調用一次
    def start_requests(self):
        for url in self.start_urls:
            yield self.make_requests_from_url(url)

    #start_requests()中調用，實際生成Request的函數。
    #Request對象默認的回調函數為parse()，提交的方式為get
    def make_requests_from_url(self, url):
        return Request(url, dont_filter=True)

    #默認的Request對象回調函數，處理返回的response。
    #生成Item或者Request對象。用戶必須實現這個類
    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__

主要屬性和方法

• name

  定義spider名字的字符串。

  例如，如果spider爬取 mywebsite.com ，該spider通常會被命名為 mywebsite

• allowed_domains

  包含了spider允許爬取的域名(domain)的列表，可選。

• start_urls

  初始URL元祖/列表。當沒有制定特定的URL時，spider將從該列表中開始進行爬取。

• start_requests(self)

  該方法必須返回一個可迭代對象(iterable)。該對象包含了spider用於爬取（默認實現是使用 start_urls 的url）的第一個Request。

  當spider啟動爬取並且未指定start_urls時，該方法被調用。

• parse(self, response)

  當請求url返回網頁沒有指定回調函數時，默認的Request對象回調函數。用來處理網頁返回的response，以及生成Item或者Request對象。

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

  使用 scrapy.log.msg() 方法記錄(log)message。

接下來我們再將之前的的糗百爬蟲進行一下豐富。之前的爬蟲，我們只是爬取了第一頁內糗事，即  start_urls = ["https://www.qiushibaike.com/text/page/1/"] ，其中最末尾的 1 即代表了當前頁碼，所以當該頁數據爬取完畢后讓其自動 +1 即為下一頁內容，然后再接着爬取我們想要的數據。

import scrapy
from ..items import QiushiItem
import re


class QiushiSpider(scrapy.Spider):
    # 爬蟲名
    name = "qiubai"
    # 允許爬蟲作用的范圍，不能越界
    allowd_domains = ["https://www.qiushibaike.com/"]
    # 爬蟲起始url
    start_urls = ["https://www.qiushibaike.com/text/page/1/"]

    # 我們無需再像之前利用 urllib 庫那樣去請求地址返回數據，在 scrapy 框架中直接利用下面的 parse 方法進行數據處理即可。
    def parse(self, response):
        # 通過 scrayy 自帶的 xpath 匹配想要的信息
        qiushi_list = response.xpath('//div[contains(@id,"qiushi_tag")]')
        for site in qiushi_list:
            # 實例化從 items.py 導入的 QiushiItem 類
            item = QiushiItem()
            # 根據查詢發現匿名用戶和非匿名用戶的標簽不一樣
            try:
                # 非匿名用戶
                username = site.xpath('./div/a/img/@alt')[0].extract()  # 作者
                imgUrl = site.xpath('./div/a/img/@src')[0].extract()  # 頭像
            except Exception:
                # 匿名用戶
                username = site.xpath('./div/span/img/@alt')[0].extract()  # 作者
                imgUrl = site.xpath('./div/span/img/@src')[0].extract()  # 頭像
            content = site.xpath('.//div[@class="content"]/span[1]/text()').extract()
            item['username'] = username
            item['imgUrl'] = "https:" + imgUrl
            item['content'] = content

            # 通過 re 模塊匹配到請求的 url 里的數字
            currentPage = re.search('(\d+)', response.url).group(1)
            page = int(currentPage) + 1
            url = re.sub('\d+', str(page), response.url)

            # 將獲取的數據交給 pipeline
            yield item

            # 發送新的 url 請求加入待爬隊列，並調用回調函數 self.parse
            yield scrapy.Request(url, callback=self.parse)

在上面的代碼中，我們在將獲取到的 item 數據交給管道文件 pipeline 之后，獲取到此時的請求 url 鏈接，根據 re 模塊獲取到鏈接里的數字，即頁碼數，然后將頁碼數 +1，再次發送新的 url 鏈接請求即可獲取其余頁碼的數據了。