spider 爬虫文件基本参数(3)

一 代码

# -*- coding: utf-8 -*-
import scrapy

class ZhihuSpider(scrapy.Spider):
    # 爬虫名字,名字唯一,允许自定义
    name = 'zhihu'
    # 允许爬取的域名,scrapy每次发起的url爬取数据,先回进行域名检测,检测通过就爬取
    allowed_domains = ['zhihu.com']
    #发起的起始url地址,scrapy项目启动自动调用start_request()方法,把start_urls
    # url的作为请求url发起请求,把获取到的response交给回调函数,回调函数传递给parse
    # 解析数据
    start_urls = ['http://zhihu.com/']

    custom_settings = {
        # 请求头
        'user-agent': None,
        # 请求来源
        # 'referer': 'https://www.zhihu.com/',
    }

    def start_requests(self):
        '重写start_requests方法'
        for url in self.start_urls:
            #自定义解析方法
            yield scrapy.Request(url=url,method='Get',callback=self.define_parse)

    def parse(self, response):
        pass

    def define_parse(self,response):
        print(response)
        #输出状态码
        self.logger.info(response.status)

二 参数详解

custom_settings

• 1 settings 文件中默认请求头 DEFAULT_REQUEST_HEADERS
• 2 spider文件中请求头参数 custom_settings
  • 　　必须以类变量形式存在
  • 优先级别高与全局

访问知乎不携带请求参数,返回400

两种请求头的书写方式如下(左:spisder, 右:settings.py)

allowed_domains

　　允许爬取的域名,scrapy每次发起的url爬取数据,先回进行域名检测,检测通过就爬取

start_urls

　　发起的起始url地址,scrapy项目启动自动调用start_request()方法,把start_urlsurl的作为请求url发起请求,把获取到的response交给回调函数,回调函数传递给parse解析数据

settings

　　全局的配置文件

logger

　　日志信息,使用=python自带的log模块

start_requests（）

class MySpider(scrapy.Spider):
    name = 'myspider'

    def start_requests(self):
        #使用FormRequest提交数据
        return [scrapy.FormRequest("http://www.example.com/login",
 formdata={'user': 'john', 'pass': 'secret'},
                                   callback=self.logged_in)]

    def logged_in(self, response):
        pass    

post 请求

parse(response)

　　参数：response（Response） - 对解析的响应

指定解析函数,可以扩展多个函数,多层次的解析方法.

spider 启动参数配置

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'

    def __init__(self, category=None, *args, **kwargs):
        super(MySpider, self).__init__(*args, **kwargs)
        self.start_urls = ['http://www.example.com/categories/%s' % category]

命令行中调用

scrapy crawl myspider -a category=electronics