同步阅读进度，多语言翻译，过滤屏幕蓝光，评论分享，更多完整功能，更好读书体验，试试 阅读 ‧ 电子书库
第2章
编写Spider
编写Spider
从本章开始介绍Scrapy爬虫的基础知识部分，我们先从Scrapy爬虫程序中最核心的组件Spider讲起，在学习编写Spider之前，需要一些知识作为铺垫。本章重点讲解以下内容：
● Scrapy框架结构及工作原理。
● Request对象和Response对象。
2.1 Scrapy框架结构及工作原理图2-1展示了Scrapy框架的组成结构，并从数据流的角度揭示Scrapy的工作原理。
图2-1
首先，简单了解一下Scrapy框架中的各个组件，如表2-1所示。
表2-1
对于用户来说，Spider是最核心的组件，Scrapy爬虫开发是围绕实现Spider展开的。
接下来，看一下在框架中的数据流，有表2-2所示的3种对象。
表2-2
Request和Response是HTTP协议中的术语，即HTTP请求和HTTP响应，Scrapy框架中定义了相应的Request和Response类，这里的Item代表Spider从页面中爬取的一项数据。
最后，我们来说明以上几种对象在框架中的流动过程。
● 当SPIDER要爬取某URL地址的页面时，需使用该URL构造一个Request对象，提交给ENGINE（图2-1中的1）。
● Request对象随后进入SCHEDULER按某种算法进行排队，之后的某个时刻SCHEDULER将其出队，送往DOWNLOADER（图2-1中的2、3、4）。
● DOWNLOADER根据Request对象中的URL地址发送一次HTTP请求到网站服务器，之后用服务器返回的HTTP响应构造出一个Response对象，其中包含页面的HTML文本（图2-1中的5）。
● Response对象最终会被递送给SPIDER的页面解析函数（构造Request对象时指定）进行处理，页面解析函数从页面中提取数据，封装成Item后提交给ENGINE，Item之后被送往ITEM PIPELINES进行处理，最终可能由EXPORTER（图2-1中没有显示）以某种数据格式写入文件（csv，json）；另一方面，页面解析函数还从页面中提取链接（URL），构造出新的Request对象提交给ENGINE（图2-1中的6、7、8）。
理解了框架中的数据流，也就理解了Scrapy爬虫的工作原理。如果把框架中的组件比作人体的各个器官，Request和Response对象便是血液，Item则是代谢产物。
2.2 Request和Response对象通过上述讲解，大家已经了解了Request和Response对象在Scrapy框架中的重要性，下面详细介绍这两个对象。
2.2.1 Request对象Request对象用来描述一个HTTP请求，下面是其构造器方法的参数列表：
Request(url[, callback, method='GET', headers, body, cookies, meta,
encoding='utf-8', priority=0, dont_filter=False, errback])
下面依次介绍这些参数。
● url（必选）
请求页面的url地址，bytes或str类型，如'http://www.python.org/doc'。
● callback
页面解析函数， Callable类型，Request对象请求的页面下载完成后，由该参数指定的页面解析函数被调用。如果未传递该参数，默认调用Spider的parse方法。
● method
HTTP请求的方法，默认为'GET'。
● headers
HTTP请求的头部字典，dict类型，例如{'Accept': 'text/html', 'User-Agent':Mozilla/5.0'}。如果其中某项的值为None，就表示不发送该项HTTP头部，例如{'Cookie': None}，禁止发送Cookie。
● body
HTTP请求的正文，bytes或str类型。
● cookies
Cookie信息字典，dict类型，例如{'currency': 'USD', 'country': 'UY'}。
● meta
Request的元数据字典，dict类型，用于给框架中其他组件传递信息，比如中间件Item Pipeline。其他组件可以使用Request对象的meta属性访问该元数据字典（request.meta），也用于给响应处理函数传递信息，详见Response的meta属性。
● encoding
url和body参数的编码默认为'utf-8'。如果传入的url或body参数是str类型，就使用该参数进行编码。
● priority
请求的优先级默认值为0，优先级高的请求优先下载。
● dont_filter
默认情况下（dont_filter=False），对同一个url地址多次提交下载请求，后面的请求会被去重过滤器过滤（避免重复下载）。如果将该参数置为True，可以使请求避免被过滤，强制下载。例如，在多次爬取一个内容随时间而变化的页面时（每次使用相同的url），可以将该参数置为True。
● errback
请求出现异常或者出现HTTP错误时（如404页面不存在）的回调函数。
虽然参数很多，但除了url参数外，其他都带有默认值。在构造Request对象时，通常我们只需传递一个url参数或再加一个callback参数，其他使用默认值即可，代码如下：
>>> import scrapy
>>> request = scrapy.Request('http://books.toscrape.com/')
>>> request2 = scrapy.Request('http://quotes.toscrape.com/', callback=self.parseItem)
在实际应用中，我们几乎只调用Request的构造器创建对象，但也可以根据需求访问Request对象的属性，常用的有以下几个：
● url
● method
● headers
● body
● meta
这些属性和构造器参数相对应，这里不再重复解释。
2.2.2 Response对象Response对象用来描述一个HTTP响应，Response只是一个基类，根据响应内容的不同有如下子类：
● TextResponse
● HtmlResponse
● XmlResponse
当一个页面下载完成时，下载器依据HTTP响应头部中的Content-Type信息创建某个Response的子类对象。我们通常爬取的网页，其内容是HTML文本，创建的便是HtmlResponse对象，其中HtmlResponse和XmlResponse是TextResponse的子类。实际上，这3个子类只有细微的差别，这里以HtmlResponse为例进行讲解。
下面介绍HtmlResponse对象的属性及方法。
● url
HTTP响应的url地址，str类型。
● status
HTTP响应的状态码，int类型，例如200，404。
● headers
HTTP响应的头头部，类字典类型，可以调用get或getlist方法对其进行访问，例如：
response.headers.get('Content-Type')
response.headers.getlist('Set-Cookie')
● body
HTTP响应正文，bytes类型。
● text
文本形式的HTTP响应正文，str类型，它是由response.body使用response.encoding解码得到的，即
reponse.text = response.body.decode(response.encoding)
● encoding
HTTP响应正文的编码，它的值可能是从HTTP响应头部或正文中解析出来的。
● request
产生该HTTP响应的Request对象。
● meta
即response.request.meta，在构造Request对象时，可将要传递给响应处理函数的信息通过meta参数传入；响应处理函数处理响应时，通过response.meta将信息取出。
● selector
Selector对象用于在Response中提取数据（选择器相关话题在后面章节详细讲解）。
● xpath(query)
使用XPath选择器在Response中提取数据，实际上它是response.selector.xpath方法的快捷方式（选择器相关话题在后面章节详细讲解）。
● css(query)
使用CSS选择器在Response中提取数据，实际上它是response.selector.css方法的快捷方式（选择器相关话题在后面章节详细讲解）。
● urljoin（url）
用于构造绝对url。当传入的url参数是一个相对地址时，根据response.url计算出相应的绝对url。例如，response.url为http://www.example.com/a，url为b/index.html，调用response.urljoin(url)的结果为http://www.example.com/a/b/index.html。
虽然HtmlResponse对象有很多属性，但最常用的是以下的3个方法：
● xpath(query)
● css(query)
● urljoin(url)
前两个方法用于提取数据，后一个方法用于构造绝对url。
2.3 Spider开发流程有了前面知识的铺垫，现在回到本章的主题“编写Spider”。实现一个Spider子类的过程很像是完成一系列填空题，Scrapy框架提出以下问题让用户在Spider子类中作答：
● 爬虫从哪个或哪些页面开始爬取？
● 对于一个已下载的页面，提取其中的哪些数据？
● 爬取完当前页面后，接下来爬取哪个或哪些页面？
上面问题的答案包含了一个爬虫最重要的逻辑，回答了这些问题，一个爬虫也就开发出来了。
接下来，我们以上一章exmaple项目中的BooksSpider为例，讲解一个Spider的开发流程。为方便阅读，再次给出BooksSpider的代码：
# -*- coding: utf-8 -*-
import scrapy
class BooksSpider(scrapy.Spider):
# 每一个爬虫的唯一标识
name = "books"
# 定义爬虫爬取的起始点，起始点可以是多个，我们这里是一个
start_urls = ['http://books.toscrape.com/']
def parse(self, response):
# 提取数据
# 每一本书的信息是在<article class="product_pod">中，我们使用
# css()方法找到所有这样的article 元素，并依次迭代
for book in response.css('article.product_pod'):
# 书名信息在article > h3 > a 元素的title属性里
# 例如: <a title="A Light in the Attic">A Light in the ...</a>
name = book.xpath('./h3/a/@title').extract_first()
# 书价信息在 <p class="price_color">的TEXT中。
# 例如: <p class="price_color">￡51.77</p>
price = book.css('p.price_color::text').extract_first()
yield {
'name': name,
'price': price,
}
# 提取链接
# 下一页的url 在ul.pager > li.next > a 里面
# 例如: <li class="next"><a href="catalogue/page-2.html">next</a></li>
next_url = response.css('ul.pager li.next a::attr(href)').extract_first()
if next_url:
# 如果找到下一页的url，得到绝对路径，构造新的Request 对象
next_url = response.urljoin(next_url)
yield scrapy.Request(next_url, callback=self.parse)
实现一个Spider只需要完成下面4个步骤：
步骤 01 继承scrapy.Spider。
步骤 02 为Spider取名。
步骤 03 设定起始爬取点。
步骤 04 实现页面解析函数。
2.3.1 继承scrapy.SpiderScrapy框架提供了一个Spider基类，我们编写的Spider需要继承它：
import scrapy
class BooksSpider(scrapy.Spider):
...
这个Spider基类实现了以下内容：
● 供Scrapy引擎调用的接口，例如用来创建Spider实例的类方法from_crawler。
● 供用户使用的实用工具函数，例如可以调用log方法将调试信息输出到日志。
● 供用户访问的属性，例如可以通过settings属性访问配置文件中的配置。
实际上，在初学Scrapy时，不必关心Spider基类的这些细节，未来有需求时再去查阅文档即可。
2.3.2 为Spider命名在一个Scrapy项目中可以实现多个Spider，每个Spider需要有一个能够区分彼此的唯一标识，Spider的类属性name便是这个唯一标识。
class BooksSpider(scrapy.Spider):
name = "books"
...
执行scrapy crawl命令时就用到了这个标识，告诉Scrapy使用哪个Spider进行爬取。
2.3.3 设定起始爬取点Spider必然要从某个或某些页面开始爬取，我们称这些页面为起始爬取点，可以通过类属性start_urls来设定起始爬取点：
class BooksSpider(scrapy.Spider):
...
start_urls = ['http://books.toscrape.com/']
...
start_urls通常被实现成一个列表，其中放入所有起始爬取点的url（例子中只有一个起始点）。看到这里，大家可能会想，请求页面下载不是一定要提交Request对象么？而我们仅定义了url列表，是谁暗中构造并提交了相应的Request对象呢？通过阅读Spider基类的源码可以找到答案，相关代码如下：
class Spider(object_ref):
...
def start_requests(self):
for url in self.start_urls:
yield self.make_requests_from_url(url)
def make_requests_from_url(self, url):
return Request(url, dont_filter=True)
def parse(self, response):
raise NotImplementedError
...
从代码中可以看出，Spider基类的start_requests方法帮助我们构造并提交了Request对象，对其中的原理做如下解释：
● 实际上，对于起始爬取点的下载请求是由Scrapy引擎调用Spider对象的start_requests方法提交的，由于BooksSpider类没有实现start_requests方法，因此引擎会调用Spider基类的start_requests方法。
● 在start_requests方法中，self.start_urls便是我们定义的起始爬取点列表（通过实例访问类属性），对其进行迭代，用迭代出的每个url作为参数调用make_requests_from_url方法。
● 在make_requests_from_url方法中，我们找到了真正构造Reqeust对象的代码，仅使用url和dont_filter参数构造Request对象。
● 由于构造Request对象时并没有传递callback参数来指定页面解析函数，因此默认将parse方法作为页面解析函数。此时BooksSpider必须实现parse方法，否则就会调用Spider基类的parse方法，从而抛出NotImplementedError异常（可以看作基类定义了一个抽象接口）。
● 起始爬取点可能有多个，start_requests方法需要返回一个可迭代对象（列表、生成器等），其中每一个元素是一个Request对象。这里，start_requests方法被实现成一个生成器函数（生成器对象是可迭代的），每次由yield语句返回一个Request对象。
由于起始爬取点的下载请求是由引擎调用Spider对象的start_requests方法产生的，因此我们也可以在BooksSpider中实现start_requests方法（覆盖基类Spider的start_requests方法），直接构造并提交起始爬取点的Request对象。在某些场景下使用这种方式更加灵活，例如有时想为Request添加特定的HTTP请求头部，或想为Request指定特定的页面解析函数。
以下是通过实现start_requests方法定义起始爬取点的示例代码（改写BooksSpider）：
class BooksSpider(scrapy.Spider):
# start_urls = ['http://books.toscrape.com/']
# 实现start_requests 方法, 替代start_urls类属性
def start_requests(self):
yield scrapy.Request('http://books.toscrape.com/',
callback=self.parse_book,
headers={'User-Agent': 'Mozilla/5.0'},
dont_filter=True)
# 改用parse_book 作为回调函数
def parse_book(response):
...
到此，我们介绍完了为爬虫设定起始爬取点的两种方式：
● 定义start_urls属性。
● 实现start_requests方法。
2.3.4 实现页面解析函数页面解析函数也就是构造Request对象时通过callback参数指定的回调函数（或默认的parse方法）。页面解析函数是实现Spider中最核心的部分，它需要完成以下两项工作：
● 使用选择器提取页面中的数据，将数据封装后（Item或字典）提交给Scrapy引擎。
● 使用选择器或LinkExtractor提取页面中的链接，用其构造新的Request对象并提交给Scrapy引擎（下载链接页面）。
一个页面中可能包含多项数据以及多个链接，因此页面解析函数被要求返回一个可迭代对象（通常被实现成一个生成器函数），每次迭代返回一项数据（Item或字典）或一个Request对象。
关于如何提取数据、封装数据、提取链接等话题，我们在接下来的章节继续学习。
2.4 本章小结本章先讲解了Scrapy的框架结构以及工作原理，然后又介绍了Scrapy中与页面下载相关的两个核心对象Request和Response，有了这些知识的铺垫，最后我们讲解了实现一个Spider的开发流程。关于编写Spider时涉及的一些技术细节在后面章节继续讨论。
请支持我们，让我们可以支付服务器费用。
使用微信支付打赏