python 爬虫(三) spider类详解

Spider就是定义爬取的动作及分析网站的地方。

1. spider原理
   以初始的URL**初始化Request**，并设置回调函数。 当该request**下载完毕并返回时，将生成**response ，并作为参数传给该回调函数。

2. 初始化request —> start_requests()
   start_requests() 读取 start_urls 中的URL， 并以 parse 为回调函数生成 Request 。

3. 回调处理parse(self,response)
   以使用 选择器(Selectors)或者BeautifulSoup 来分析网页内容，返回 Item 对象或者 Request
   返回的Request对象之后scrapy 会跟进处理 进入下一轮的循环
   返回item 会进Item Pipeline 处理数据

4.spider 属性方法

• name
  定义spider名字的字符串
• allowed_domains
  可选。包含了spider允许爬取的域名(domain)列表(list)
• start_urls
  URL列表。当没有制定特定的URL时，spider将从该列表中开始进行爬取
• start_requests()
  当spider启动爬取并且未制定URL时，该方法被调用。可用于批量生成初始url
• parse()
  当response没有指定回调函数时，该方法是Scrapy处理下载的response的默认方法。
• log()
  使用 scrapy.log.msg() 方法记录(log)message。
• closed()
  当spider关闭时，该函数被调用。