「Scrapy 爬虫框架」爬虫页（Spiders）详解

妖狐艹你老母 2022-10-25 11:28 234阅读 0赞

### 文章目录 ###

*  内容介绍
 *  spider类参数解释

# 内容介绍 #

开发环境为 Python3.6，Scrapy 版本 2.4.x ，爬虫项目全部内容索引目录

[看懂Python爬虫框架，所见即所得一切皆有可能][Python]

本章带你学习基于 **Python3** 的 **Scrapy 爬虫框架** 中数据爬取过程中  
在spider文件夹下是每个要执行的py爬虫文件，通过命令行执行的方式执行该文件夹下的py脚本，实现数据抓取的业务内容。

代码内容基于「Scrapy 爬虫框架」源码版本 2.4.0 ，更新内容会进行标记说明对应版本。

# spider类参数解释 #

创建spider内容的命令

scrapy genspider xxxxx xxxxxx.com

*  **1.name**

# 爬虫文件生成的实例化对象名，通过命令行生成，执行脚本的时候是通过这个名称执行，不需要修改，在一个爬虫项目里必须是惟一的。
    name = xxxxx # 这里对应的是命令行的第三部分

*  **2.allowed\_domains**

# 允许爬取的域名，可选项。如果设置了域名则非域名下的url无法处理。
    allowed_domains = []
    allowed_domains = ["https://xxxxxx.com",] # 这里对应的是命令行的最后一部分

*  **3.start\_urls**

# 需要处理的url列表，通过spider基类的start_requests方法遍历请求。
    start_urls = [
    	'http://aaaa/',
    	'http://bbbb/',
    	'http://cccc/',
    ]

*  **4. custom\_settings**  
    专属的spider配置，如果重写此设置会覆盖项目全局的设置，而且必须定义成类变量。建议统一在settings中设置便于管理。不要在此处修改。
 *  **5.crawler**  
    spider类的crawler对象，用于获取settings配置信息中的设置，例如middlewares、pipline等中的设置。  
    默认不需要修改。
 *  **6.settings**  
    Settings实例，读取统一配置settings中的信息。  
    默认不需要修改。
 *  **7.logger**  
    用于发送数据抓取过程中的项目日志。  
    默认不需要修改。
 *  **8.from\_crawler**

# Scrapy用来创建spider类的方法，默认不需要修改。
    @classmethod
    def from_crawler(cls, crawler, *args, **kwargs):
        spider = cls(*args, **kwargs)
        spider._set_crawler(crawler)
        return spider
    
    # 创建一个实例的对象
    def __init__(self):
        #实例化一个浏览器对象(实例化一次)
        self.bro = webdriver.Firefox(executable_path=chrm,options =options )

*  **9.start\_requests()**  
    生成初始请求，默认使用**start\_urls**列表中的的 url 来构造request，而且request是get请求。  
    如果需要使用 post 方法、或者参数传递，需要重写start\_requests方法。
 *  **10.parse**

# Scrapy使用的默认回调，用于处理数据的部分，可以自定义各种名称的parse方法用于数据抓取。
    def start_requests(self):
        parse_list = [
            self.parse1,
            self.parse2,
        ]
    
        # 非API接口方法
        for list_num in range(len(self.start_urls)):
            for url_num in range(len(self.start_urls[list_num])):
                yield scrapy.Request(url=self.start_urls[list_num][url_num],
                                     meta={ 'channel_name': self.channel_name_list[list_num][url_num],
                                           'type_id': self.type_id_list[list_num][url_num]},
                                     callback=parse_list[list_num])
                                    
    def parse1(self, response):
    	......
    def parse2(self, response):
    	......

*  **11.closed**

# 爬虫关闭的方法
    #必须在整个爬虫结束后，关闭浏览器
    def closed(self,spider):
        print('爬虫结束')
        self.bro.quit()

[Python]: https://blog.csdn.net/qq_20288327/article/details/120575605