这篇文章主要介绍关于Scrapy框架下Spider类的简介，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

Spider类

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。

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

主要用到的函数及调用顺序为：

__init__() : 初始化爬虫名字和start_urls列表

start_requests() 调用make_requests_from url():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Item pipline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。

源码参考

#所有爬虫的基类，用户定义的爬虫必须从这个类继承classSpider(object_ref):#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。#name是spider最重要的属性，而且是必须的。#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mywebsitename=None#初始化，提取爬虫名字，start_rulsdef__init__(self,name=None,**kwargs):ifnameisnotNone:self.name=name#如果爬虫没有名字，中断后续操作则报错elifnotgetattr(self,'name',None):raiseValueError("%smusthaveaname"%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)#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。ifnothasattr(self,'start_urls'):self.start_urls=[]#打印Scrapy执行后的log信息deflog(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defset_crawler(self,crawler):assertnothasattr(self,'_crawler'),"Spideralreadyboundedto%s"%crawlerself._crawler=crawler@propertydefcrawler(self):asserthasattr(self,'_crawler'),"Spidernotboundedtoanycrawler"returnself._crawler@propertydefsettings(self):returnself.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defstart_requests(self):forurlinself.start_urls:yieldself.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getdefmake_requests_from_url(self,url):returnRequest(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defparse(self,response):raiseNotImplementedError@classmethoddefhandles_request(cls,request):returnurl_is_from_spider(request.url,cls)def__str__(self):return"<%s%rat0x%0x>"%(type(self).__name__,self.name,id(self))__repr__=__str__

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。当没有制定特定的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。

以上是关于Scrapy框架下Spider类的简介的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！