spider是什么意思 Spider

大家好，关于spider是什么意思很多朋友都还不太明白，不过没关系，因为今天小编就来为大家分享关于Spider的知识点，相信应该可以解决大家的一些困惑和问题，如果碰巧可以解决您的问题，还望关注下本站哦，希望对各位有所帮助！

Spider类定义了如何爬取某个(或某些)网站。包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。换句话说，Spider就是您定义爬取的动作及分析某个网页(或者是有些网页)的地方。

classscrapy.Spider是最基本的类，所有编写的爬虫必须继承这个类。

__init__():初始化爬虫名字和start_urls列表

start_requests()调用make_requests_fromurl():生成Requests对象交给Scrapy下载并返回response

parse():解析response，并返回Item或Requests（需指定回调函数）。Item传给Itempipline持久化，而Requests交由Scrapy下载，并由指定的回调函数处理（默认parse())，一直进行循环，直到处理完所有的数据为止。

#所有爬虫的基类，用户定义的爬虫必须从这个类继承\nclassSpider(object_ref):\n\n#定义spider名字的字符串(string)。spider的名字定义了Scrapy如何定位(并初始化)spider，所以其必须是唯一的。\n#name是spider最重要的属性，而且是必须的。\n#一般做法是以该网站(domain)(加或不加后缀)来命名spider。例如，如果spider爬取mywebsite.com，该spider通常会被命名为mywebsite\nname=None\n\n#初始化，提取爬虫名字，start_ruls\ndef__init__(self,name=None,**kwargs):\nifnameisnotNone:\nself.name=name\n#如果爬虫没有名字，中断后续操作则报错\nelifnotgetattr(self,'name',None):\nraiseValueError("%smusthaveaname"%type(self).__name__)\n\n#python对象或类型通过内置成员__dict__来存储成员信息\nself.__dict__.update(kwargs)\n\n#URL列表。当没有指定的URL时，spider将从该列表中开始进行爬取。因此，第一个被获取到的页面的URL将是该列表之一。后续的URL将会从获取到的数据中提取。\nifnothasattr(self,'start_urls'):\nself.start_urls=[]\n\n#打印Scrapy执行后的log信息\ndeflog(self,message,level=log.DEBUG,**kw):\nlog.msg(message,spider=self,level=level,**kw)\n\n#判断对象object的属性是否存在，不存在做断言处理\ndefset_crawler(self,crawler):\nassertnothasattr(self,'_crawler'),"Spideralreadyboundedto%s"%crawler\nself._crawler=crawler\n\n@property\ndefcrawler(self):\nasserthasattr(self,'_crawler'),"Spidernotboundedtoanycrawler"\nreturnself._crawler\n\n@property\ndefsettings(self):\nreturnself.crawler.settings\n\n#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\n#该方法仅调用一次\ndefstart_requests(self):\nforurlinself.start_urls:\nyieldself.make_requests_from_url(url)\n\n#start_requests()中调用，实际生成Request的函数。\n#Request对象默认的回调函数为parse()，提交的方式为get\ndefmake_requests_from_url(self,url):\nreturnRequest(url,dont_filter=True)\n\n#默认的Request对象回调函数，处理返回的response。\n#生成Item或者Request对象。用户必须实现这个类\ndefparse(self,response):\nraiseNotImplementedError\n\n@classmethod\ndefhandles_request(cls,request):\nreturnurl_is_from_spider(request.url,cls)\n\ndef__str__(self):\nreturn"<%s%rat0x%0x>"%(type(self).__name__,self.name,id(self))\n\n__repr__=__str__\n主要属性和方法name定义spider名字的字符串。例如，如果spider爬取mywebsite.com，该spider通常会被命名为mywebsiteallowed_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。当没有指定特定的URL时，spider将从该列表中开始进行爬取。start_requests(self)该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取（默认实现是使用start_urls的url）的第一个Request。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案例：腾讯招聘网自动翻页采集创建一个新的爬虫：

scrapygenspidertencent"tencent.com"

好了，本文到此结束，如果可以帮助到大家，还望关注本站哦！