Spider是什么?
• Spider是一個(gè)Scrapy提供的基本類,Scrapy中包含的其他基本類(例如CrawlSpider)以及自定義的spider都必須繼承這個(gè)類。
• Spider是定義如何抓取某個(gè)網(wǎng)站的類,包括如何執(zhí)行抓取以及如何從其網(wǎng)頁(yè)中提取結(jié)構(gòu)化數(shù)據(jù)。
源碼如下:
所有爬蟲(chóng)的基類,用戶定義的爬蟲(chóng)必須從這個(gè)類繼承
class Spider(object_ref):
#name是spider最重要的屬性,而且是必須的。一般做法是以該網(wǎng)站(domain)(加或不加 后綴 )來(lái)命名spider。 例如,如果spider爬取 mywebsite.com ,該spider通常會(huì)被命名為 mywebsite
name = None
#初始化,提取爬蟲(chóng)名字,start_ruls
def __init__(self, name=None, **kwargs):
#判斷是否存在爬蟲(chóng)名字name,沒(méi)有則會(huì)報(bào)錯(cuò)
if name is not None:
self.name = name
elif not getattr(self, 'name', None):
raise ValueError("%s must have a name" % type(self).__name__)
# python對(duì)象或類型通過(guò)內(nèi)置成員__dict__來(lái)存儲(chǔ)成員信息
self.__dict__.update(kwargs)
#判斷是否存在start_urls列表,從列表中獲取到頁(yè)面的URL開(kāi)始請(qǐng)求,后續(xù)的URL將會(huì)從獲取到的數(shù)據(jù)中提取。
if not hasattr(self, 'start_urls'):
self.start_urls = []
# Scrapy執(zhí)行后的日志信息
def log(self, message, level=log.DEBUG, **kw):
log.msg(message, spider=self, level=level, **kw)
# 判斷對(duì)象object的屬性是否存在,不存在則做斷言處理
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(nèi)的地址,并為每一個(gè)地址生成一個(gè)Request對(duì)象,交給Scrapy下載并返回Response
#注意:該方法僅調(diào)用一次
def start_requests(self):
for url in self.start_urls:
# 生成Request對(duì)象的函數(shù)
yield self.make_requests_from_url(url)
#Request對(duì)象默認(rèn)的回調(diào)函數(shù)為parse(),提交的方式為get
def make_requests_from_url(self, url):
return Request(url, dont_filter=True)
#默認(rèn)的Request對(duì)象回調(diào)函數(shù),處理返回的response。
#生成Item或者Request對(duì)象。用戶需要自己重寫(xiě)該方法中的內(nèi)容
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__
因此可以總結(jié)出Scrapy爬取數(shù)據(jù)的過(guò)程如下:
Spider的入口方法(start_requests())請(qǐng)求start_urls列表中定義的url,返回Request對(duì)象(同時(shí)默認(rèn)傳給它一個(gè)名為parse的回調(diào)函數(shù))。
下載器獲取Respose后,回調(diào)函數(shù)會(huì)解析Reponse,返回(yield)的結(jié)果可能是字典、Item或是Request對(duì)象,亦或是這些對(duì)象組成的可迭代類型。其中,返回的Request也會(huì)包含一個(gè)回調(diào)函數(shù),并在被下載之后被回調(diào)函數(shù)處理(即重復(fù)第2步)。
解析數(shù)據(jù)可以使用Scrapy自帶的Selectors工具或者lxml、BeautifulSoup等模塊。
最后Scrapy將返回的數(shù)據(jù)字典(或是Item對(duì)象)保存為文件或者保存在數(shù)據(jù)庫(kù)中。
scrapy.spider.Spider類介紹
常用類屬性
• name:是字符串。標(biāo)識(shí)了每一個(gè)spider的名字,必須定義且唯一。實(shí)際中我們一般為每個(gè)獨(dú)立網(wǎng)站創(chuàng)建一個(gè)spider。
• starturl:是包含初始請(qǐng)求頁(yè)面url的列表,必須定義。`startrequests()方法會(huì)引用該屬性,發(fā)出初始的Request`。
• custom_settings:是一個(gè)字典,每一條鍵值對(duì)表示一個(gè)配置,可用于覆寫(xiě)SETTINGS(Scrapy的全局配置模塊,位于settings.py文件中)。
•
– 例1:custom_settings = {'COOKIES_ENABLED': True,'ROBOTSTXT_OBEY': False}。覆蓋了全局屬性COOKIES_ENABLED。
– 擴(kuò)展:設(shè)置settings中的值的幾種方法,優(yōu)先級(jí)從高到低如下:
命令行選項(xiàng)
custom_settings
settings.py文件
命令行的默認(rèn)設(shè)置,每一個(gè)命令行都有它自己的默認(rèn)設(shè)置
默認(rèn)的全局設(shè)置,被定義在 scrapy.settings.default_settings 中
• allowed_domains:是一個(gè)字符串列表。規(guī)定了允許爬取的網(wǎng)站域名,非域名下的網(wǎng)頁(yè)將被自動(dòng)過(guò)濾。
•
– 例1:allowed_domains = cnblogs.com,start_url = 'https://www.zhihu.com'。在這個(gè)例子中,知乎不屬于CSDN的域名,因此爬取過(guò)程中會(huì)被過(guò)濾。
• crawler:是一個(gè)Crawler對(duì)象。可以通過(guò)它訪問(wèn)Scrapy的一些組件(例如:extensions, middlewares, settings)。
•
– 例1:spider.crawler.settings.getbool('xxx')。這個(gè)例子中我們通過(guò)crawler訪問(wèn)到了全局屬性。
• settings:是一個(gè)Settings對(duì)象。它包含運(yùn)行中時(shí)的Spider的配置。這和我們使用spider.crawler.settings訪問(wèn)是一樣的。
• logger:是一個(gè)Logger對(duì)象。根據(jù)Spider的name創(chuàng)建的,它記錄了事件日志。
常用方法
• start_requests:該方法是Spider的入口方法。默認(rèn)下,該方法會(huì)請(qǐng)求start_url中定義的url,返回對(duì)應(yīng)的Request,如果該方法被重寫(xiě),可以返回包含Request(作為第一個(gè)請(qǐng)求)的可迭代對(duì)象或者是FormRequest對(duì)象,一般POST請(qǐng)求重寫(xiě)該方法。
• parse:當(dāng)其他的Request沒(méi)有指定回調(diào)函數(shù)時(shí),用于處理下載響應(yīng)的默認(rèn)回調(diào),主要作用:負(fù)責(zé)解析返回的網(wǎng)頁(yè)數(shù)據(jù)(response.body),提取結(jié)構(gòu)化數(shù)據(jù)(生成item)生成需要下一頁(yè)的URL請(qǐng)求。。該方法用于編寫(xiě)解析網(wǎng)頁(yè)的具體邏輯(包含解析數(shù)據(jù),或是解析出新的頁(yè)面),所以此方法非常重要哦!。
Spider案例:披荊斬棘的哥哥評(píng)論
最近被披荊斬棘的哥哥所吸引,但是還是要為大家做好服務(wù),每天更新文章啊!介紹下這個(gè)綜藝節(jié)目哈。
《披荊斬棘的哥哥》是芒果TV推出的全景音樂(lè)競(jìng)演綜藝。節(jié)目嘉賓們彼此挑戰(zhàn),披荊斬棘,通過(guò)男人之間的彼此探索、家族建立的進(jìn)程,詮釋“滾燙的人生永遠(yuǎn)發(fā)光”,見(jiàn)證永不隕落的精神力。
我們本次使用Scrapy爬取哥哥們的評(píng)論。
分析思路:
打開(kāi)谷歌瀏覽器,訪問(wèn)第01期的鏈接(https://www.mgtv.com/b/367750/13107580.html),把JavaScript加載關(guān)掉,刷新,發(fā)現(xiàn)底下的評(píng)論數(shù)據(jù)沒(méi)有了,說(shuō)明這數(shù)據(jù)是異步加載的,在這個(gè)網(wǎng)頁(yè)鏈接的源代碼里是找不到評(píng)論數(shù)據(jù)的;
既然是異步加載,那么就要抓包了。把剛剛關(guān)掉的JavaScript打開(kāi),重新加載網(wǎng)頁(yè),右鍵檢查,Network, 數(shù)據(jù)一般都在XHR或者JS里面,所以先把這兩項(xiàng)勾選了,這時(shí)候點(diǎn)擊評(píng)論的下一頁(yè),發(fā)現(xiàn)數(shù)據(jù)就在JS里面:
由上面評(píng)論的真實(shí)鏈接可以知道,評(píng)論真實(shí)的請(qǐng)求網(wǎng)址是:“https://comment.mgtv.com/v4/comment/getCommentList?”,后面跟著一系列的參數(shù)(callback, _support, subjectType, subjectId, page, _),可見(jiàn):
我們知道page是頁(yè)碼數(shù),subjectId是s每個(gè)視頻對(duì)應(yīng)的id,callback回調(diào)函數(shù),最后一個(gè)大膽猜測(cè)下就是unix時(shí)間戳后面再加上3位隨機(jī)數(shù)(或者unix時(shí)間戳乘以1000再取整),應(yīng)該只起一個(gè)占位的作用,可能是一個(gè)完全沒(méi)用的參數(shù),只是用來(lái)嚇唬我們的。
但是不確定,我們來(lái)看一下,于是我去掉最后一個(gè)參數(shù)在瀏覽器發(fā)出了一下請(qǐng)求,結(jié)果如下:
說(shuō)明就是一個(gè)完全沒(méi)用的參數(shù),哈哈哈用來(lái)嚇唬我們的,不要怕!我們不用它。
鏈接有了之后我們就開(kāi)始創(chuàng)建爬蟲(chóng)項(xiàng)目啦!
首先打開(kāi)命令行,輸入:
scrapy startproject mongotv_comments_crawler
生成新的mongotvcommentscrawler項(xiàng)目,再輸入:
cd mongotv_comments_crawler
scrapy genspider mgtv_crawl mgtv.com
生成爬蟲(chóng)名。
然后,用PyCharm打開(kāi)項(xiàng)目。由于最后爬取到的是json數(shù)據(jù),我們直接解析Json數(shù)據(jù),并返回到Items中。
因此在爬蟲(chóng)文件mgtv_crawl.py的MgtvCrawlSpider類中,進(jìn)行如下定義:
class MgtvCrawlSpider(scrapy.Spider):
name = 'mgtv_crawl'
allowed_domains = ['mgtv.com']
# start_urls = ['http://mgtv.com/'] 因?yàn)槲覀兠看味夹枰獦?gòu)建芒果TV的請(qǐng)求,所以我們重寫(xiě)start_requests方法
subject_id = 4327535 # 視頻的id
pages = list(range(1, 100)) # 需要爬取的評(píng)論頁(yè)數(shù)比如100頁(yè)
因?yàn)槲覀円廊《囗?yè)的內(nèi)容,所以我們要不斷修改page參數(shù),所以我們重寫(xiě)start_requests方法
def start_requests(self): # 重寫(xiě)start_requests
start_urls = [f'https://comment.mgtv.com/v4/comment/getCommentList?page={page}&subjectType=hunantv2014&subjectId={self.subject_id}&callback=jQuery18204988030991528978_1630030396693&_support=10000000&_=1630030399968' for page in self.pages]
# 生成所有需要爬取的url保存進(jìn)start_urls
for url in start_urls: # 遍歷start_urls發(fā)出請(qǐng)求
yield Request(url)
然后重寫(xiě)parse()函數(shù),獲取json結(jié)果。但是json結(jié)果前面有下圖一樣的前綴內(nèi)容,我們要去掉
def parse(self, response):
text = response.text[response.text.find('{'):-1] # 通過(guò)字符串選取的方式把"jQuery...()去掉"
json_data = json.loads(text) # 轉(zhuǎn)換成json格式
for i in json_data['data']['list']: # 遍歷每頁(yè)的評(píng)論列表
item = MongotvCommentsCrawlerItem()
item['content'] = i['content']
item['commentId'] = i['commentId']
item['createTime'] = i['createTime']
item['nickName'] = i['user']['nickName']
yield item
編寫(xiě)item,獲取評(píng)論的:內(nèi)容、創(chuàng)建時(shí)間、用戶名和評(píng)論ID
class MongotvCommentsCrawlerItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
content = scrapy.Field()
createTime = scrapy.Field()
nickName = scrapy.Field()
commentId = scrapy.Field()
然后便是寫(xiě)pipelines.py文件,把爬取回來(lái)的items入庫(kù)
import pymysql
class MongotvCommentsCrawlerPipeline(object):
def __init__(self):
self.conn = pymysql.connect(host='127.0.0.1', user='root', password='root',
db='mgtv', charset='utf8')
def process_item(self, item, spider):
commentId = item["commentId"]
content = item['content']
createTime = item['createTime']
nickName = item["nickName"]
sql = "insert into comments(commentId,content,createTime,nickName) values(" + str(commentId) + ",'" + content + "','" + createTime + "','" + nickName + "');"
self.conn.query(sql)
self.conn.commit()
return item
def close_spider(self, spider):
self.conn.close()
在settings.py中開(kāi)啟對(duì)應(yīng)的設(shè)置項(xiàng):
開(kāi)啟爬蟲(chóng)進(jìn)行爬取:
scrapy crawl mgtv_crawl
爬取到的結(jié)果如下: