Scrapy中如何实现迭代爬取的思路实现

忘是亡心i 2022-05-25 02:27 195阅读 0赞

*   *  引言
     *  爬虫设计思路
     *  代码实现
     *  总结

## 引言 ##

在Scrapy进行数据爬取的时候，直接能够爬取到目标数据的概率不大，一般都是需要通过几层URL地址的爬取，才能最终获取到想要的结果数据，那该如何实现这些目标呢？

## 爬虫设计思路 ##

在Scrapy中定义的Request和FormRequest对象都提供了callback字段，运行在爬取网页之后，可以执行callback方法，进行结果响应．  
　基本的思路就是在callback()中实现对于下一层URL Web页面路径定义，并创建出响应的Request对象，通过yield的方式交给Scrapy框架。  
　这里的嵌套层次是没有限制的，一般都是通过不同的callback来实现分层爬取。  
　如果在Request中未指定callback方法，则默认会调用parse()方法，在spider内部定义的内置方法，在自定义的spider中重写．  
　start\_requests()是在spider中定义的内置方法，提供自自定义的request对象声明扩展方式．

## 代码实现 ##

具体的实现代码如下：

def start_requests(self):
       .........
       for i in range(1, 2):
           formdata['PagesUpDown$edtPage'] = str(i)
           yield FormRequest(url=self.start_urls[0],           
             headers=self.headers, formdata=formdata,  
                callback=self.parse_school)
    def parse_school(self, response):
        urls = response.xpath('//*[@id="SpanSchoolList"]/div/div[2]/ul/li/a/@href').extract();
        for url in urls:
            request_url = self.base_url + url
            yield scrapy.Request(request_url, 
              headers=self.request_headers,  cookies=self.cookies,  
              callback=self.parse_major_enroll, meta=self.meta)
     def parse_major_enroll(self, response):
         ．．．．．．

这里的实现了2层的网络Ｗｅｂ爬取，parse\_shool()是第一层的处理逻辑，parse\_major\_enroll()方法是第二层web页面的处理逻辑．

## 总结 ##

Scrapy提供了良好的拓展机制，帮助开发者聚焦于其业务和数据模型，其余的工作由Scrapy来提供实现和配置．