scrapy 之 Spider类

Scrapy 框架图

scrapy框架图

scrapy框架介绍

组件介绍

1.scrapy engine :负责按制数据流在系统中的所有组件流动。相当于框架的main函数。
2.scheduler:调用器。从引擎接收request（准确来说，应该是通过Spider产生了Request），并入队，以便以后引擎请求调用，爬取数据。
3.downloader 下载器:顾名思议了：就是接收request，向互联网发送请求，下载网络资源。
4.Spider 、爬虫：spider功能就要是分析response并提取item（这个item可用于后续进行数据存储），额进额外的URL。
5.item pipeline 爬虫数据的处理:可以进行爬取数据的过滤、验证以及持久化。
6. downloader middlewares 下载器中间件：用于处理下载器给引擎的response。
7.spider middleware 爬虫中间件：处理输入的request,以及生成的response。

数据流

1.引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
2.引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
3.引擎向调度器请求下一个要爬取的URL。
4.调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
5.一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。
6.引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
7.Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。
8.(从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

Spider介绍

编写爬虫程序，其主要的一个步骤就是要编写一个待爬取网站所对应的spider类，该类继承至Spider.
Spider类有几个重要的属性：
1.name–string 设置spider的名字，需要在命立行爬取的时候用到。
2.strart_urls 列表 ：用于引擎开始爬取的网页URL。后续爬取的URL来自爬取的数据里。
3.logger ：日志处理对象.info,debug等方法
4.start_requests(self)： 在命立行执行爬虫的时候，如果没有给出指定的url，那么引擎会调用这个方法。该方法返回一个迭代器，迭代器的内容为Request.
5.parse(response) : 引擎默认的响应处理函数。如果没有在Request中指定响应处理函数，那么引擎会调用这个函数。

Spider例子—访问http://quotes.toscrape.com/网站，抓取所有文章的作者

1.代码块

   ```python
   # coding:utf-8
    import scrapy

__author__ = 'cong.tang'
class SpiderAuthor(scrapy.Spider):
    name =  'authortest' #为这个spider取一个独一无二的名字，会在命立行中执行有用
    def start_requests(self):
        return [scrapy.FormRequest('http://quotes.toscrape.com/')]
    def parse(self, response):
        for quote in response.css('div.quote'):

        yield   {'author':quote.css('small.author::text').extract_first()} #查找作者名，便这是找到的是第一个页的数据
    next_page = response.css('li.next a::attr(href)').extract_first() #找到下一个页面
    yield  scrapy.Request(response.urljoin(next_page),callback=self.parse)

    pass
pass

if name == ‘main‘:
pass
“`
2.执行
scrapy crawl authortest -o author.json(指定生的输出文件名)
会到以下输出结果：

Scrapy 框架中内置的 Spider为，crawlSpider

明天继续写