摘要：初学 Python 过程中，我们可能习惯了使用函数（def），在开始学习类（Class）的用法时，可能会觉得它的写法别扭，类的代码写法也不像函数那么简单直接，也会产生「有了函数为什么还需要类」的疑问。然而面向对象编程是 Python 最重要的思想，类（Class）又是面向对象最重要的概念之一，所以要想精通 Python ，则必须得会使用类（Class）来编写代码，而且 Pyspider 和 Scrapy 两大框架都使用了类的写法，基于此，本文将介绍如何从函数的写法顺利过渡到类的编写习惯。
关于类（Class）的教程，网上主要有两类，一类是廖雪峰大佬的，另一类是不加说明默认你已经会这种写法，而直接使用的。
廖雪峰的教程非常棒，但是更适合入门 Python 有一段时间或者看过一些更基础的教程之后再回过头来看，否则可能会觉得他的教程理论性重于实用性。我第一次看了他的教程中关于类的相关知识后，觉得理解了，但一尝试自己写时就不太会了。
第二类教程，网上有很多案例，这类教程存在的问题就是，你能看懂意思，但还是不太会运用到自己的代码中。
总结一下这两类教程对新手不友好的地方就是 没有同时给出两种写法的实例对比，而「对比学习」是一种学习新知识非常快的途径，简单来说就是学新知识的时候，先从我们已经掌握的知识出发，和新知识进行对比，快速找到共同点和不同点，共同点我们能很快掌握，针对不同点通过对比去感悟领会，从而快速学会新知识。
接下来，就举几个同时使用了函数写法和类的写法的案例，希望能够帮助你快速完成从函数到类的编程思想的过渡转换。
▌爬取豆瓣电影 TOP250
第一个案例是爬取豆瓣电影 TOP250，我们实现的目标就是通过调用豆瓣 API 接口，获取电影名称、评分、演员等信息，然后存储到 CSV 文件中，部分代码如下：
1def get_content(start_page):
2 url = 'https://api.douban.com/v2/movie/top250?'
3 params = {
4 'start':start_page,
5 'count':50
6 }
7 response = requests.get(url,params=params).json()
8 movies = response['subjects']
9 data = [{
10 'rating':item['rating']['average'],
11 'genres':item['genres'],
12 'name':item['title'],
13 'actor':get_actor(item['casts']),
14 'original_title':item['original_title'],
15 'year':item['year'],
16 } for item in movies]
17 write_to_file(data)
18
19def get_actor(actors):
20 actor = [i['name'] for i in actors]
21 return actor
22
23def write_to_file(data):
24 with open('douban_def.csv','a',encoding='utf_8_sig',newline='') as f:
25 w = csv.writer(f)
26 for item in data:
27 w.writerow(item.values())
28
29def get_douban(total_movie):
30 # 每页50条，start_page循环5次
31 for start_page in range(0,total_movie,50):
32 get_content(start_page)
33if __name__ == '__main__':
34 get_douban(250)
打开 CSV 文件查看输出的结果：
以上，我们通过四个函数就完成了数据的爬取和存储，逻辑很清晰，下面我们使用类的写法实现同样的功能，部分代码如下：
1class Douban(object):
2 def __init__(self):
3 self.url = 'https://api.douban.com/v2/movie/top250?'
4 def get_content(self,start_page):
5 params = {
6 'start':start_page,
7 'count':50
8 }
9 response = requests.get(self.url,params=params).json()
10 movies = response['subjects']
11 data = [{
12 'rating':item['rating']['average'],
13 'genres':item['genres'],
14 'name':item['title'],
15 'actor':self.get_actor(item['casts']),
16 'original_title':item['original_title'],
17 'year':item['year'],
18 } for item in movies]
19 self.write_to_file(data)
20
21 def get_actor(self,actors):
22 actor = [i['name'] for i in actors]
23 return actor
24
25 def write_to_file(self,data):
26 with open('douban_class.csv','a',encoding='utf_8_sig',newline='') as f:
27 w = csv.writer(f)
28 for item in data:
29 w.writerow(item.values())
30 def get_douban(self,total_movie):
31 # 每页50条，start_page循环5次
32 for start_page in range(0,total_movie,50):
33 self.get_content(start_page)
34
35if __name__ == '__main__':
36 douban = Douban()
37 douban.get_douban(250)
可以看到，上面的案例中，类的写法和函数的写法大部分都是一样的，仅少数部分存在差异。主要有这么几点差异：
-
增加了一个
__init__函数。这是一个特殊的函数，它的作用主要是事先把一些重要的属性填写进来，它的特点是第一个参数永远是
self，表示创建的实例本身，这里的实例就是最下面的douban（实例通过类名+() 创建）。 -
类中的函数和普通的函数相比，只有一点不同。
类中的函数（也称为方法）的第一个参数永远是实例变量
self，并且调用时，不用传递该参数。除此之外，类的方法和普通函数没有什么区别。 -
在执行类的时候需要先实例化
这里我们定义了一个类，类名是 Douban（首字母要大写），在运行类的时候，需要先实例化，这里实例化为
douban，然后调用 get_douban（）方法完成数据的爬取和存储。
下面，我们再来看看第二个例子。
▌模拟登陆 IT 桔子
我们的目标是使用 Selenium 模拟登陆 IT 桔子网并输出网页源码，函数写法的部分代码如下：
1def login():
2 browser = webdriver.Chrome()
3 browser.get('https://www.itjuzi.com/user/login')
4 account = browser.find_element(By.ID, "create_account_email")
5 password = browser.find_element(By.ID, "create_account_password")
6 account.send_keys('[email protected]') # 输入账号和密码
7 password.send_keys('test2018') # 输入账号密码
8 submit = browser.find_element(By.ID,"login_btn")
9 submit.click() # 点击登录按钮
10 get_content()
11
12def get_content():
13 browser.get('http://radar.itjuzi.com/investevent')
14 print(browser.page_source) # 输出网页源码
15
16if __name__ == '__main__':
17 login()
以上代码实现了自动输入账号密码然后进入 IT 桔子网，下面我们再来看看类的写法：
1class Spider(object):
2 def __init__(self,account,password):
3 self.login_url = 'https://www.itjuzi.com/user/login'
4 self.get_url = 'http://radar.itjuzi.com/investevent'
5 self.account = account
6 self.password = password
7
8 def login(self):
9 browser.get(self.login_url)
10 account = browser.find_element(By.ID, "create_account_email")
11 password = browser.find_element(By.ID, "create_account_password")
12 account.send_keys(self.account) # 输入账号和密码
13 password.send_keys(self.password)
14 submit = browser.find_element(By.ID,"login_btn")
15 submit.click() # 点击登录按钮
16 self.get_content() # 调用下面的方法
17
18 def get_content(self):
19 browser.get(self.get_url)
20 print(browser.page_source) # 输出网页源码
21
22if __name__ == '__main__':
23 spider = Spider(account='[email protected]',password='test2018')
24 # 当有其他账号时，在这里更改即可,很方便
25 # spider = Spider('[email protected]','test2018')
26 spider.login()
这里，我们将一些固定的参数，比如 URL、Headers 都放在 __init__ 方法中，需要的时候在各个函数中进行调用，这样的写法逻辑更加清晰。
下面，我们再看看第三个例子，从普通类的写法过渡到 pyspider 框架中类的写法，这样有助于快速上手 pyspider 框架。
▌爬取虎嗅文章
我们目标是通过分析 AJAX 请求，遍历爬取虎嗅网的文章信息，先来看看普通类的写法，部分代码如下：
1client = pymongo.MongoClient('localhost',27017)
2db = client.Huxiu
3mongo_collection = db.huxiu_news
4
5class Huxiu(object):
6 def __init__(self):
7 self.headers = {
8 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',
9 'X-Requested-With': 'XMLHttpRequest'
10 }
11 self.url = 'https://www.huxiu.com/v2_action/article_list'
12
13 def get_content(self,page):
14 data = {
15 'page': page,
16 }
17 response = requests.post(self.url,data=data,headers=self.headers)
18 self.parse_content(response)
19
20 def parse_content(self,response):
21 content = response.json()['data']
22 doc = pq(content)
23 lis = doc('.mod-art').items()
24 data =[{
25 'title': item('.msubstr-row2').text(),
26 'url':'https://www.huxiu.com'+ str(item('.msubstr-row2').attr('href')),
27 'name': item('.author-name').text(),
28 'write_time':item('.time').text(),
29 'comment':item('.icon-cmt+ em').text(),
30 'favorites':item('.icon-fvr+ em').text(),
31 'abstract':item('.mob-sub').text()
32 } for item in lis]
33 self.save_to_file(data)
34 # 存储到 mongodb
35 def save_to_file(self,data):
36 df = pd.DataFrame(data)
37 content = json.loads(df.T.to_json()).values()
38 if mongo_collection.insert_many(content):
39 print('存储到 mongondb 成功')
40 else:
41 print('存储失败')
42
43 def get_huxiu(self,start_page,end_page):
44 for page in range(start_page,end_page) :
45 print('正在爬取第 %s 页' % page)
46 self.get_content(page)
47
48if __name__ == '__main__':
49 huxiu = Huxiu()
50 huxiu.get_huxiu(1,2000)
然后再看看在 Pyspider 中的写法：
1class Handler(BaseHandler):
2 crawl_config:{
3 "headers":{
4 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',
5 'X-Requested-With': 'XMLHttpRequest'
6 }
7 }
8
9 # 修改taskid，避免只下载一个post请求
10 def get_taskid(self,task):
11 return md5string(task['url']+json.dumps(task['fetch'].get('data','')))
12
13 def on_start(self):
14 for page in range(1,2000):
15 print('正在爬取第 %s 页' % page)
16 self.crawl('https://www.huxiu.com/v2_action/article_list',method='POST',data={'page':page}, callback=self.index_page)
17
18 def index_page(self, response):
19 content = response.json['data']
20 # 注意，在上面的class写法中，json后面需要添加()，pyspider中则不用
21 doc = pq(content)
22 lis = doc('.mod-art').items()
23 data = [{
24 'title': item('.msubstr-row2').text(),
25 'url':'https://www.huxiu.com'+ str(item('.msubstr-row2').attr('href')),
26 'name': item('.author-name').text(),
27 'write_time':item('.time').text(),
28 'comment':item('.icon-cmt+ em').text(),
29 'favorites':item('.icon-fvr+ em').text(),
30 'abstract':item('.mob-sub').text()
31 } for item in lis ]
32 return data
33
34 def on_result(self,result):
35 if result:
36 self.save_to_mongo(result)
37
38 def save_to_mongo(self,result):
39 df = pd.DataFrame(result)
40 content = json.loads(df.T.to_json()).values()
41 if mongo_collection.insert_many(content):
42 print('存储到 mongondb 成功')
可以看到，pyspider 中主体部分和普通类的写法差不多，不同的地方在于 pyspider 中有一些固定的语法，这可以通过参考 pyspider 教程快速掌握。
通过以上三个例子的对比，我们可以感受到函数（def）、 类（Class）和 pyspider 三种代码写法的异同点，采取这样对比式的学习能够快速掌握新的知识。