一、首先我们来看scrapy spider如何打开页面：
要打开页面，我们用的是手，同样scrapy也有一个得力助手：spider；至于spider如何打开页面，且听我娓娓道来，如果一上来就噼里啪啦的给诸位说scrapy spiders需要继承神马类、神马方法、神马常量，我想很多喷油都会觉得莫名其妙，就像一个巴掌突然打来一样，所以这里我试图用知其所以然的方式让你知其然！很多文档写得莫名其妙，就是作者一上来就用这种方式，让本来懂的你却越看越凌乱，究其原因就是很多作者重于形，却轻于意，说得具体点就是注重实现，而不注重为什么要这样实现，就像spiders的内部结构一来就告诉你要继承这个、这个……，却没告诉你为什么要继承，如果能稍加解释，那小白们就更容易接受了！
那我们先说说人如何scrapy如何打开页面，我们一般是用爪爪，首先搜索、然后点击、然后又点击，就这样不断搜索、不断点击然后就到了，比如搜淘宝2月13号套套销量，是不是首先百度搜索：淘宝，然后点击进去，然后搜索：套套，然后就到了。毕竟蜘蛛不会用键盘、鼠标，因此不能用这样的方式，何况这样的方式太慢。那蜘蛛到底如何打开页面呢？很简单，蜘蛛从互联网的本质出发，我们浏览页面都是一个：发送请求、返回请求的过程，比如点击淘宝，然后淘宝就打开，其实就是这么一个过程（这是网络的基础原理，不熟悉的诸位度娘一下）；那蜘蛛要发送请求，那总得要有请求链接，如果木有，蜘蛛肯定得不到返回，那页面也就打不开了，因此引出了scrapy spiders的第一个必须的常量：
start_urls
上面的文档《scrapy start_url》已经详细介绍过，URL有两种写法，一种作为类的常量、一种作为start_requests(self)方法的常量，无论哪一种写法，URL都是必须的！有了URL那就可以发送请求了，也就类似我们的点击页面、然后打开页面的过程，那这一个过程肯定要有个方法或来完成；如果URL是定义在start_request(self)这个方法里面，那我们就要使用： yield scrapy.Request 方法发送请求：如下：
import scrapy
class simpleUrl(scrapy.Spider):
name = "simpleUrl"
# 另外一种初始链接写法
def start_requests(self):
urls = [ #爬取的链接由此方法通过下面链接爬取页面
'http://lab.scrapyd.cn/page/1/',
'http://lab.scrapyd.cn/page/2/',
]
for url in urls:
#发送请求
yield scrapy.Request(url=url, callback=self.parse)
这样写的一个麻烦之处就是我们需要处理我们的返回，也就是我们还需要写一个callback方法来处理response；因此大多数我们都是把URL作为类的常量，然后再加上另外一个方法：
parse(response)
使用这个方法来发送请求，可以看到里面有个参数已经是：response（返回），也就是说这个方自动化的完成了：request（请求页面）-response（返回页面）的过程，我们就不必要再写函数接受返回，所以这样就比较方便了！
import scrapy
class simpleUrl(scrapy.Spider):
name = "simpleUrl"
start_urls = [ #另外一种写法，无需定义start_requests方法
'http://lab.scrapyd.cn/page/1/',
'http://lab.scrapyd.cn/page/2/',
]
def parse(self, response):
page = response.url.split("/")[-2]
filename = 'mingyan-%s.html' % page
with open(filename, 'wb') as f:
f.write(response.body)
self.log('保存文件: %s' % filename)
|
好了，这就是scrapy打开页面的方法；页面打开后是不是我们就该提取数据了？那scrapy如何提取？
申明：本文《scrapy如何打开页面？》 属于【Scrapy 中文网】原创文章，商业转载请联系作者获得授权，非商业转载请注明出处。