我使用Scrapy Extensions 方法将Spider 类扩展为 到一个名为Masterspider 的包含通用解析器的类。
下面是我的通用扩展解析器的非常“短”版本。请注意，一旦您开始使用 AJAX 处理页面，就需要使用 Javascript 引擎（例如 Selenium 或 BeautifulSoup）实现渲染器。还有很多额外的代码来管理站点之间的差异（基于列标题的报废、处理相对 URL 和长 URL、管理不同类型的数据容器等......）。
Scrapy Extension 方法的有趣之处在于，如果某些东西不适合但我从来不需要这样做，您仍然可以覆盖通用解析器方法。 Masterspider 类检查是否在站点特定的蜘蛛类下创建了某些方法（例如 parser_start、next_url_parser...），以允许对特定内容进行管理：发送表单、从页面中的元素构造 next_url 请求等。
由于我正在抓取非常不同的网站，因此总会有一些特殊性需要管理。这就是为什么我更喜欢为每个抓取的站点保留一个类，以便我可以编写一些特定的方法来处理它（预处理/后处理，除了 PipeLines、请求生成器......）。
masterspider/sitespider/settings.py
EXTENSIONS = {
'masterspider.masterspider.MasterSpider': 500
}
masterspider/masterspdier/masterspider.py
# -*- coding: utf8 -*-
from scrapy.spider import Spider
from scrapy.selector import Selector
from scrapy.http import Request
from sitespider.items import genspiderItem
class MasterSpider(Spider):
def start_requests(self):
if hasattr(self,'parse_start'): # First page requiring a specific parser
fcallback = self.parse_start
else:
fcallback = self.parse
return [ Request(self.spd['start_url'],
callback=fcallback,
meta={'itemfields': {}}) ]
def parse(self, response):
sel = Selector(response)
lines = sel.xpath(self.spd['xlines'])
# ...
for line in lines:
item = genspiderItem(response.meta['itemfields'])
# ...
# Get request_url of detailed page and scrap basic item info
# ...
yield Request(request_url,
callback=self.parse_item,
meta={'item':item, 'itemfields':response.meta['itemfields']})
for next_url in sel.xpath(self.spd['xnext_url']).extract():
if hasattr(self,'next_url_parser'): # Need to process the next page URL before?
yield self.next_url_parser(next_url, response)
else:
yield Request(
request_url,
callback=self.parse,
meta=response.meta)
def parse_item(self, response):
sel = Selector(response)
item = response.meta['item']
for itemname, xitemname in self.spd['x_ondetailpage'].iteritems():
item[itemname] = "\n".join(sel.xpath(xitemname).extract())
return item
masterspider/sitespider/spiders/somesite_spider.py
# -*- coding: utf8 -*-
from scrapy.spider import Spider
from scrapy.selector import Selector
from scrapy.http import Request
from sitespider.items import genspiderItem
from masterspider.masterspider import MasterSpider
class targetsiteSpider(MasterSpider):
name = "targetsite"
allowed_domains = ["www.targetsite.com"]
spd = {
'start_url' : "http://www.targetsite.com/startpage", # Start page
'xlines' : "//td[something...]",
'xnext_url' : "//a[contains(@href,'something?page=')]/@href", # Next pages
'x_ondetailpage' : {
"itemprop123" : u"id('someid')//text()"
}
}
# def next_url_parser(self, next_url, response): # OPTIONAL next_url regexp pre-processor
# ...