说明
Scrapy的Request和Response对象用于爬取网站。
HTTP是无状态的面向连接的协议, 为了保持连接状态, 引入了Cookie机制 Cookie是http消息头中的一种属性,包括:
Cookie名字(Name)
Cookie的值(Value)
Cookie的过期时间(Expires/Max-Age)
Cookie作用路径(Path)
Cookie所在域名(Domain)
使用Cookie进行安全连接(Secure)
前两个参数是Cookie应用的必要条件,另外,还包括Cookie大小(Size,不同浏览器对Cookie个数及大小限制是有差异的)。
Request
源码参考;
classRequest(object_ref): def__init__(self, url, callback=None, method='GET', headers=None, body=None, cookies=None, meta=None, encoding='utf-8', priority=0, dont_filter=False, errback=None): self._encoding = encoding # this one has to be set first self.method = str(method).upper() self._set_url(url) self._set_body(body) assert isinstance(priority, int), "Request priority not an integer: %r"% priority self.priority = priority assert callback ornoterrback, "Cannot use errback without a callback" self.callback = callback self.errback = errback self.cookies = cookies or{} self.headers = Headers(headers or{}, encoding=encoding) self.dont_filter = dont_filter self._meta = dict(meta) ifmeta elseNone @property defmeta(self): ifself._meta is None: self._meta = {} returnself._meta# 部分代码
Request 对象表示一个HTTP请求,它通常是在爬虫生成,并由下载执行,从而生成Response 有请求才有响应 Request 对象在我们写爬虫,爬取一页的数据需要重新发送一个请求的时候调用。这个类需要传递一些参数,其中比较常用的参数有:
url: 就是需要请求,并进行下一步处理的url
callback: 指定该请求返回的Response,由那个函数来处理。
method: 请求一般不需要指定,默认GET方法,可设置为"GET", "POST", "PUT"等,且保证字符串大写
headers: 请求时,包含的头文件。一般不需要。内容一般如下:
User-Agent: Mozilla/5.0 (Windows NT 6.2; WOW64; rv:33.0) Gecko/0101 Firefox/33.0 Accept: text/css,*/*;q=0.1 Accept-Language: zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3 Accept-Encoding: gzip, deflate Referer: http://scrapy-/zh_CN/0.24/ Cookie: _ga=GA1.2.1612165614.1415584110; Connection: keep-alive If-Modified-Since: Mon, 25 Aug 21:59:35 GMT Cache-Control: max-age=0Host:
meta: 比较常用,在不同的请求之间传递数据使用的。字典dict型:
url="", cookies={'currency': 'USD', 'country': 'UY'}, meta={'dont_merge_cookies': True} )request_with_cookies = Request(
encoding: 使用默认的 'utf-8' 就行。
dont_filter: 表明该请求不由调度器过滤。这是当你想使用多次执行相同的请求,忽略重复的过滤器。默认为False。
errback: 指定错误处理函数
Response
源码参考:
classResponse(object_ref): def__init__(self, url, status=200, headers=None, body='', flags=None, request=None): self.headers = Headers(headers or{}) self.status = int(status) self._set_body(body) self._set_url(url) self.request = request self.flags = [] ifflags is None elselist(flags) @property defmeta(self): try: returnself.request.meta except AttributeError: raise AttributeError("Response.meta not available, this response "\ "is not tied to any request")# 部分代码
大部分参数和上面的差不多:
status: 响应码
_set_body(body):响应体
_set_url(url):响应url
self.request = request
发送POST请求
可以使用yield scrapy.FormRequest(url, formdata, callback)方法发送POST请求。
如果希望程序执行一开始就发送POST请求,可以重写Spider类的start_requests(self) 方法,并且不再调用start_urls里的url。
# start_urls = ["/"] defstart_requests(self): url = '/login' # FormRequest 是Scrapy发送POST请求的方法 yieldscrapy.FormRequest( url = url, formdata = {"email": "loaderman@", "password": "loaderman"}, callback = self.parse_page ) defparse_page(self, response): # do somethingclassmySpider(scrapy.Spider):
示例-模拟登陆:
使用FormRequest.from_response()方法模拟用户登录 通常网站通过 实现对某些表单字段(如数据或是登录界面中的认证令牌等)的预填充。
使用Scrapy抓取网页时,如果想要预填充或重写像用户名、用户密码这些表单字段, 可以使用 FormRequest.from_response() 方法实现。
下面是使用这种方法的爬虫例子:
classLoginSpider(scrapy.Spider): name = '' start_urls = ['/users/login.php'] defparse(self, response): returnscrapy.FormRequest.from_response( response, formdata={'username': 'loaderman', 'password': '123456'}, callback=self.after_login ) defafter_login(self, response): # check login succeed before going on if"authentication failed"inresponse.body: self.log("Login failed", level=log.ERROR) return # continue scraping with authenticated session...import scrapy
知乎爬虫案例参考
MouhuSpider.py爬虫代码
classMouhuSipder(CrawlSpider) : name = "mouhu" allowed_domains = [""] start_urls = [ "" ] rules = ( Rule(LinkExtractor(allow = ('/question/\d+#.*?', )), callback = 'parse_page', follow = True), Rule(LinkExtractor(allow = ('/question/\d+', )), callback = 'parse_page', follow = True), ) headers = { "Accept": "*/*", "Accept-Encoding": "gzip,deflate", "Accept-Language": "en-US,en;q=0.8,zh-TW;q=0.6,zh;q=0.4", "Connection": "keep-alive", "Content-Type":" application/x-www-form-urlencoded; charset=UTF-8", "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.15; rv:81.0) Gecko/0101 Firefox/81.0", "Referer": "/" } #重写了爬虫类的方法, 实现了自定义请求, 运行成功后会调用callback回调函数 defstart_requests(self): return[Request("/login", meta = {'cookiejar': 1}, callback = self.post_login)] defpost_login(self, response): print 'Preparing login' #下面这句话用于抓取请求网页后返回网页中的_hzex字段的文字, 用于成功提交表单 hzex = Selector(response).xpath('//input[@name="_hzex"]/@value').extract()[0] print hzex #FormRequeset.from_response是Scrapy提供的一个函数, 用于post表单 #登陆成功后, 会调用after_login回调函数 return[FormRequest.from_response(response, #"/login", meta = {'cookiejar': response.meta['cookiejar']}, headers = self.headers, #注意此处的headers formdata = { '_hzex': hzex, 'email': '123456@', 'password': '123456' }, callback = self.after_login, dont_filter = True )] defafter_login(self, response): forurl inself.start_urls : yieldself.make_requests_from_url(url) defparse_page(self, response): problem = Selector(response) item = ZhihuItem() item['url'] = response.url item['name'] = problem.xpath('//span[@]/text()').extract() print item['name'] item['title'] = problem.xpath('//h2[@]/text()').extract() item['description'] = problem.xpath('//div[@]/text()').extract() item['answer']= problem.xpath('//div[@]/text()').extract() returnitem# -*- coding:utf-8 -*-
Item类设置
classMouhuItem(Item): # define the fields for your item here like: # name = scrapy.Field() url = Field()#保存抓取问题的url title = Field()#抓取问题的标题 description = Field()#抓取问题的描述 answer = Field()#抓取问题的答案 name = Field()#个人用户的名称fromscrapy.itemimportItem, Field
setting.py 设置抓取间隔
SPIDER_MODULES= ['mouhu.spiders'] NEWSPIDER_MODULE='mouhu.spiders' DOWNLOAD_DELAY=0.25#设置下载间隔为250msBOT_NAME='mouhu'
完
码上加油站
一起来加油
长按扫码关注
记得点个赞和在看哦!