spider是定义一个特定站点（或一组站点）如何被抓取的类，包括如何执行抓取（即跟踪链接）以及如何从页面中提取结构化数据（即抓取项）。换言之，spider是为特定站点（或者在某些情况下，一组站点）定义爬行和解析页面的自定义行为的地方。 对于蜘蛛来说，抓取周期是这样的： 首先生成对第一个URL进行爬网的初始请求，然后指定一个回调函数，该函数使用从这些请求下载的响应进行调用。 要执行的第一个请求是通过调用 start_requests() 方法，该方法(默认情况下)生成 Request 中指定的URL的 start_urls 以及 parse 方法作为请求的回调函数。 在回调函数中，解析响应(网页)并返回 item objects ， Request 对象，或这些对象的可迭代。这些请求还将包含一个回调(可能相同)，然后由Scrapy下载，然后由指定的回调处理它们的响应。 在回调函数中，解析页面内容，通常使用 选择器 （但您也可以使用beautifulsoup、lxml或任何您喜欢的机制）并使用解析的数据生成项。 最后，从spider返回的项目通常被持久化到数据库（在某些 Item Pipeline ）或者使用 Feed 导出 .
尽管这个循环（或多或少）适用于任何类型的蜘蛛，但是为了不同的目的，有不同类型的默认蜘蛛被捆绑成 Scrapy 。我们将在这里讨论这些类型。 scrapy.Spider¶- classscrapy.spiders.Spider¶
- classscrapy.Spider¶
这是最简单的蜘蛛，也是每个蜘蛛都必须继承的蜘蛛（包括与碎屑捆绑在一起的蜘蛛，还有你自己写的蜘蛛）。它不提供任何特殊功能。它只是提供了一个默认值 start_requests() 从发送请求的实现 start_urls spider属性并调用spider的方法 parse 对于每个结果响应。 - name¶
定义此蜘蛛名称的字符串。spider名称是scrappy定位（和实例化）spider的方式，因此它必须是唯一的。但是，没有什么可以阻止您实例化同一个蜘蛛的多个实例。这是最重要的蜘蛛属性，也是必需的。 如果蜘蛛 爬取 一个域，通常的做法是在域后命名蜘蛛，无论有没有 TLD . 例如，一只爬行的蜘蛛 mywebsite.com 经常被称为 mywebsite .
- allowed_domains¶
包含允许此蜘蛛爬行的域的字符串的可选列表。对于不属于此列表（或其子域）中指定的域名的URL请求，如果 OffsiteMiddleware 启用。 假设您的目标URL是 https://www.example.com/1.html 然后添加 'example.com' 列在名单上。
- start_urls¶
未指定特定URL时，爬行器将从其开始爬行的URL列表。因此，下载的第一个页面将是此处列出的页面。后续的 Request 将从起始URL中包含的数据连续生成。
- custom_settings¶
运行此spider时，将从项目范围配置中重写的设置字典。它必须被定义为类属性，因为在实例化之前更新了设置。 有关可用内置设置的列表，请参阅： 内置设置参考 .
- crawler¶
此属性由 from_crawler() 初始化类后的类方法，并链接到 Crawler 此蜘蛛实例绑定到的对象。 Crawler封装了项目中的许多组件，用于它们的单入口访问（例如扩展、中间件、信号管理器等）。见 爬虫API 了解更多。
- settings¶
用于运行此蜘蛛的配置。这是一个 Settings 实例，请参见 设置 有关此主题的详细介绍。
- logger¶
用蜘蛛创建的python记录器 name . 您可以使用它通过它发送日志消息，如中所述 从蜘蛛记录 .
- state¶
一种字典，可以用来在批之间保存一些爬行器状态。看见 保持批之间的持久状态 去了解更多关于它的信息。
- from_crawler(crawler, *args, **kwargs)¶
这是Scrapy用来创建蜘蛛的类方法。 您可能不需要直接重写它，因为默认实现充当 __init__() 方法，使用给定参数调用它 args 和命名参数 kwargs . 尽管如此，此方法设置了 crawler 和 settings 新实例中的属性，以便稍后在蜘蛛代码中访问它们。 - 参数
crawler (Crawler instance) -- 蜘蛛将被绑到的爬行器 args (list) -- 传递给的参数 __init__() 方法 kwargs (dict) -- 传递给的关键字参数 __init__() 方法
| 