(转)python爬虫----（scrapy框架提高（1），自定义Request爬取）

0755mx

　　
       摘要 之前一直使用默认的parse入口，以及SgmlLinkExtractor自动抓取url。但是一般使用的时候都是需要自己写具体的url抓取函数的。
      
     
python 爬虫 scrapy scrapy提高        
   
　　最近看scrappy0.24官方文档看的正心烦的时候，意外发现中文翻译0.24文档，简直是福利呀~ http://scrapy-chs.readthedocs.org/zh_CN/0.24/
      　　结合官方文档例子，简单整理一下：
      
      
         
?         

1                   2                   3                   4                   5                   6                   7                   8                   9                   10                   11                   12                   13                   14                   15                   16                   17                   18                   19                   20                   21                   22                   23                   24

import scrapy                     from myproject.items import MyItem                     class MySpider(scrapy.Spider):                         name = 'myspider'                         start_urls = (                             'http://example.com/page1',                             'http://example.com/page2',                             )                                               def parse(self, response):                             # collect `item_urls`                             for item_url in item_urls:                                 yield scrapy.Request(item_url, self.parse_item)                                               def parse_item(self, response):                             item = MyItem()                             # populate `item` fields                             # and extract item_details_url                             yield scrapy.Request(item_details_url, self.parse_details, meta={'item': item})                                               def parse_details(self, response):                             item = response.meta['item']                             # populate more `item` fields                             return item

　　从Spider继承了一个爬虫类，唯一名称 name="myspider"， 爬虫默认入口地址 start_urls = () ，元组或列表都可以。      

      　　从Spider源码中，可以看到：
      
      
         
?         

1                   2                   3                   4                   5                   6                   7                   8                   9                   10                   11                   12                   13                   14                   15                   16

# 代码片段                     class Spider(object_ref):                         """Base class for scrapy spiders. All spiders must inherit from this                         class.                         """                                               name = None                                               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)                             if not hasattr(self, 'start_urls'):                                 self.start_urls = []

　　在Spider初始化时，检查name是否为None，start_urls 是否存在。代码很简单      
    继续向下看：
      
      
         
?         

1                   2                   3                   4                   5                   6                   7

# 代码片段                         def start_requests(self):                             for url in self.start_urls:                                 yield self.make_requests_from_url(url)                                               def parse(self, response):                             raise NotImplementedError

　　到这里很容易看到， start_requests 方法，遍历 start_urls  中的url，并执行 Request请求
　　默认response处理方法入口，parse函数需要实现，也就是在继承类中重写parse方法。
      　　再看，示例代码中。
      
      
         
?         

1                   2                   3                   4                   5                   6

# 第一个函数                         def parse(self, response):                             # collect `item_urls`                             # 可以理解为：网站的所有导航菜单的超链接集合                             for item_url in item_urls:                                 yield scrapy.Request(item_url, self.parse_item)

　　为默认入口，也就是从父类Spider类中继承过来的（或者说是一个必须要实现的接口），但是需要实现。
　　在这个函数体中，根据 start_requests （默认为GET请求）返回的 Response，得到了一个 名字为‘item_urls’ 的url集合。
　　然后遍历并请求这些集合。
　　再看 Request 源码：
      
      
         
?         

1                   2                   3                   4                   5                   6                   7                   8                   9                   10                   11                   12                   13                   14                   15                   16                   17                   18                   19                   20                   21                   22                   23                   24                   25                   26                   27                   28                   29

# 部分代码                     class Request(object_ref):                                               def __init__(self, url, callback=None, method='GET', headers=None, body=None,                                       cookies=None, meta=None, encoding='utf-8', priority=0,                                      dont_filter=False, errback=None):                                                   self._encoding = encoding  # this one has to be set first                             self.method = str(method).upper()                             self._set_url(url)                             self._set_body(body)                             assert isinstance(priority, int), "Request priority not an integer: %r" % priority                             self.priority = priority                                                   assert callback or not errback, "Cannot use errback without a callback"                             self.callback = callback                             self.errback = errback                                                   self.cookies = cookies or {}                             self.headers = Headers(headers or {}, encoding=encoding)                             self.dont_filter = dont_filter                                                   self._meta = dict(meta) if meta else None                                               @property                         def meta(self):                             if self._meta is None:                                 self._meta = {}                             return self._meta

　　其中，比较常用的参数：
url: 就是需要请求，并进行下一步处理的url
callback: 指定该请求返回的Response，由那个函数来处理。
method: 一般不需要指定，使用默认GET方法请求即可
headers: 请求时，包含的头文件。一般不需要。内容一般如下：使用 urllib2 自己写过爬虫的肯定知道         Host: media.readthedocs.org         User-Agent: Mozilla/5.0 (Windows NT 6.2; WOW64; rv:33.0) Gecko/20100101 Firefox/33.0         Accept: text/css,*/*;q=0.1         Accept-Language: zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3         Accept-Encoding: gzip, deflate         Referer: http://scrapy-chs.readthedocs.org/zh_CN/0.24/         Cookie: _ga=GA1.2.1612165614.1415584110;         Connection: keep-alive         If-Modified-Since: Mon, 25 Aug 2014 21:59:35 GMT         Cache-Control: max-age=0
meta: 比较常用，在不同的请求之间传递数据使用的。字典dict型         request_with_cookies = Request(url="http://www.example.com",                                        cookies={'currency': 'USD', 'country': 'UY'},                                        meta={'dont_merge_cookies': True})
encoding: 使用默认的 'utf-8' 就行。
dont_filter: indicates that this request should not be filtered by the scheduler.               This is used when you want to perform an identical request multiple times,               to ignore the duplicates filter. Use it with care, or you will get into crawling loops.               Default to False.
errback: 指定错误处理函数
　　不出意外的话，接下来就是 Response 的源码：






?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

# 部分代码 class Response(object_ref):     def __init__(self, url, status=200, headers=None, body='', flags=None, request=None):         self.headers = Headers(headers or {})         self.status = int(status)         self._set_body(body)         self._set_url(url)         self.request = request         self.flags = [] if flags is None else list(flags)     @property     def meta(self):         try:             return self.request.meta         except AttributeError:             raise AttributeError("Response.meta not available, this response " \                 "is not tied to any request")

　　参数跟上面的类似。

A Response object represents an HTTP response, which is usually
downloaded (by the Downloader) and fed to the Spiders for processing.
可以使用：
scrapy shell http://xxxx.xxx.xx
>>> dir(response)
查看信息
　　在继续向下看：






?

1 2 3 4 5 6 7

# 第二个函数     def parse_item(self, response):         item = MyItem()         # populate `item` fields         # 相当于导航栏下面的列表页，此时可能还存在分页情况         # and extract item_details_url         yield scrapy.Request(item_details_url, self.parse_details, meta={'item': item})

　　接收到第一个函数得到并遍历的所有url的请求响应Response。并在当前页面中查找了所有的详细实体的初略信息，以及单品详细的url地址。
　　此时需要继续向下请求，请求详细的实体的页面。
　　在这个函数中使用到了 item，也可以不使用。直接将信息（比如实体根据导航标签的大体分类），通过Request的meta属性，传递给下一个callback处理函数。

　　继续向下看：






?

1 2 3 4 5

# 第三个函数     def parse_details(self, response):         item = response.meta['item']         # populate more `item` fields         return item

　　此时，请求已经得到了实体的具体页面，也就是实体详细页。（比如，根据博客的文章列表点击进入了文章）。
　　这时需要接收一下，从上一个函数中传递过来的信息。






?

1 2 3 4 5

def parse_details(self, response):     item = response.meta['item'] # 也可以使用如下方式，设置一个默认值     item = response.meta.get('item', None) # 当 'item' key 不存在 meta字典中时，返回None

　　然后在在本页中使用 xpath，css，re等来选择详细的字段，至于具体的选择，以后再说吧~~~本来想简单的写点，然后就这么多了 ... ...
　　最后将最终得到的 item 返回即可。这样就能在  ITEM_PIPELINES 中得到数据，并进行下一步的处理了~~~

　　

　　

　　

　　



分享到： 0赞

声明：OSCHINA 博客文章版权属于作者，受法律保护。未经作者同意不得转载。

(转自http://my.oschina.net/lpe234/blog/342741)