爬虫基础参考 企业级分布式爬虫框架入门
源码如下所示：
- spider 的 name 定义了 Scrapy 如何定位(并初始化) spider，所以其 name 必须是唯一的。name是spider最重要的属性。一般做法是以该网站(domain)来命名spider。 例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite。
#所有爬虫的基类，用户定义的爬虫必须从这个类继承
class Spider(object_ref):
name = None
#初始化，提取爬虫名字，start_urls
def __init__(self, name=None, **kwargs):
if name is not None:
self.name = name
elif not getattr(self, 'name', None): # 如果爬虫没有名字，中断后续操作则报错
raise ValueError("%s must have a name" % type(self).__name__)
# python 对象或类型通过内置成员__dict__来存储成员信息
self.__dict__.update(kwargs)
if not hasattr(self, 'start_urls'):
self.start_urls = []
# 打印 Scrapy 执行后的 log 信息
def log(self, message, level=log.DEBUG, **kw):
log.msg(message, spider=self, level=level, **kw)
# 判断对象object的属性是否存在，不存在做断言处理
def set_crawler(self, crawler):
assert not hasattr(self, '_crawler'), "Spider already bounded to %s" % crawler
self._crawler = crawler
@property
def crawler(self):
assert hasattr(self, '_crawler'), "Spider not bounded to any crawler"
return self._crawler
@property
def settings(self):
return self.crawler.settings
#该方法将读取 start_urls 内的地址，并为每一个地址生成一个Request对象，交给Scrapy下载并返回Response 该方法仅调用一次
def start_requests(self):
for url in self.start_urls:
yield self.make_requests_from_url(url)
#start_requests()中调用，实际生成Request的函数。
#Request对象默认的回调函数为parse()，提交的方式为get
def make_requests_from_url(self, url):
return Request(url, dont_filter=True)
#默认的Request对象回调函数，处理返回的response。
#生成Item或者Request对象。用户必须实现这个类
def parse(self, response):
raise NotImplementedError
@classmethod
def handles_request(cls, request):
return url_is_from_spider(request.url, cls)
def __str__(self):
return "<%s %r at 0x%0x>" % (type(self).__name__, self.name, id(self))
__repr__ = __str__
- allowed_domains：包含了spider允许爬取的域名(domain)的列表，可选。
- start_urls：初始URL元祖/列表
- start_requests(self)：该方法必须返回一个可迭代对象(iterable)，当spider启动爬取并且未指定start_urls时，该方法被调用。
- parse(self, response)：当请求url返回网页没有指定回调函数时，默认的Request对象回调函数。用来处理网页返回的response，以及生成Item或者Request对象。
- log(self, message[, level, component])：使用 scrapy.log.msg() 方法记录(log)message。 更多数据请参见 logging
