Scrapy的Request和Response详解 |
您所在的位置：网站首页 › scrapy responsebody › Scrapy的Request和Response详解 |
|
上节课我们学习了中间件，知道了怎么通过中间件执行反反爬策略。本节课主要介绍Scrapy框架的request对象和response对象 通常，Request对象在爬虫程序中生成并传递到系统，直到它们到达下载程序，后者执行请求并返回一个Response对象，该对象返回到发出请求的爬虫程序 Request类和Response类都有一些子类，子类用来添加基类中不必要的功能。这些在下面的请求子类和响应子类中描述 Request对象一个Request对象表示一个HTTP请求，它通常是在爬虫中生成，并由下载器执行，从而返回Response 基础参数 ：url——请求的url callback——请求回来的reseponse处理函数，也叫回调函数 meta——用来在“页面”之间传递数据 meta是一个dict，主要用来在解析函数之间传递值比如：在parse() 给item某些字段提取了值，并且提取出了一个新的URL，item另外一些字段需要在这个新的URL的response里面提取，为此定义一个parse_item()解析函数用于处理这个response。在用request发送这个新的URL请求的时候，使用parse_item()作为回调函数，并使用meta传递原来已经提取的item字段给parse_item()里的responseRequest对象接受一个meta参数，一个字典对象，同时Response对象有一个meta属性可以取到相应request传过来的meta一旦此参数被设置， 通过参数传递的字典将会被浅拷贝headers——页面的headers数据 cookies——设置页面的cookies 基础高级参数encoding——请求的转换编码 priority——链接优先级 优先级越高，越优先爬取，但不可以序列化序列化 (Serialization)：将对象的状态信息转换为可以存储或传输的形式的过程。在序列化期间，对象将其当前状态写入到临时或持久性存储区。以后，可以通过从存储区中读取或反序列化对象的状态，重新创建该对象dont_filter——强制不过滤 scrapy会对request的URL去重，加上dont_filter则告诉它这个URL不参与去重 errback——错误回掉 errback更适合用于检查记录请求产生的错误，但是不适合请求的重试 Request对象方法copy()：复制一个一模一样的对象 replace()：对对象参数进行替换 Requesta 一些特殊的keys dont_redirect：如果 Requesta 包含 dont_redirect 键，则该request将会被RedirectMiddleware忽略dont_retry：如果 Requesta 包含 dont_retry 键， 该request将会被RetryMiddleware忽略handle_httpstatus_list：Requesta 中的 handle_httpstatus_list 键可以用来指定每个request所允许的response codehandle_httpstatus_all：handle_httpstatus_all为True ，可以允许请求的任何响应代码dont_merge_cookies：Requesta 中的dont_merge_cookies设为TRUE，可以避免与现有cookie合并cookiejar：Scrapy通过使用 Requesta中的cookiejar 来支持单spider追踪多cookie session。 默认情况下其使用一个cookie jar(session)，不过可以传递一个标示符来使用多个dont_cache：可以避免使用dont_cache元键等于True缓存每个策略的响应redirect_urls：通过该中间件的(被重定向的)request的url可以通过 Requesta 的 redirect_urls 键找到bindaddress：用于执行请求的传出IP地址的IPdont_obey_robotstxt：如果Requesta将dont_obey_robotstxt键设置为True，则即使启用ROBOTSTXT_OBEY，RobotsTxtMiddleware也会忽略该请求download_timeout：下载器在超时之前等待的时间（以秒为单位）download_maxsize：爬取URL的最大长度download_latency：自请求已经开始，即通过网络发送的HTTP消息，用于获取响应的时间量 该元密钥仅在下载响应时才可用。虽然大多数其他元键用于控制Scrapy行为，但是这个应用程序应该是只读的download_fail_on_dataloss：是否在故障响应失败proxy：可以将代理每个请求设置为像http：// some_proxy_server：port这样的值ftp_user ：用于FTP连接的用户名ftp_password ：用于FTP连接的密码referrer_policy：为每个请求设置referrer_policymax_retry_times：用于每个请求的重试次数。初始化时，max_retry_times元键比RETRY_TIMES设置更高优先级 Response对象 基础参数url——请求的url body——请求回来的html meta——用来在“页面”之间传递数据 headers——页面的headers数据 cookies——设置页面的cookies Request——发出这个response的request对象 Response对象方法copy()：同request replace()：同request urljoin()：由于将页面相对路径改为绝对路径 follow()：对相对路径进行自动补全 urljoin()实例： import scrapy class QuotesSpider(scrapy.Spider): name = "quotes" start_urls = [ 'http://quotes.toscrape.com/page/1/', ] def parse(self, response): #使用css选择器，提取出三个元素的目录的SelectorList for quote in response.css( 'div.quote'): yield { #使用css选择器，提取出text元素,并把它转换成字符串 'text': quote.css( 'span.text::text').extract_first(), #使用css选择器，提取出author元素,并把它转换成字符串 'author': quote.css( 'small.author::text').extract_first(), #使用css选择器，提取出tags元素,并把它转换成List 'tags': quote.css( 'div.tags a.tag::text').extract(), } #使用css选择器，提取出href元素,并把它转换成字符串 next_page = response.css( 'li.next a::attr(href)').extract_first() #取出相对路径 if next_page is not None: next_page = response.urljoin(next_page) #页面相对路径改为绝对路径 yield scrapy.Request(next_page, callback=self.parse)follow()实例： import scrapy class QuotesSpider(scrapy.Spider): name = "quotes" start_urls = [ 'http://quotes.toscrape.com/page/1/', ] def parse(self, response): for quote in response.css( 'div.quote'): yield { 'text': quote.css( 'span.text::text').extract_first(), 'author': quote.css( 'span small::text').extract_first(), 'tags': quote.css( 'div.tags a.tag::text').extract(), } next_page = response.css( 'li.next a::attr(href)').extract_first() if next_page is not None: yield response.follow(next_page, callback=self.parse) #返回一个请求实例来跟踪一个链接url Request、Response实例演示本节课演示使用的依旧是上节课的58同城（city58）的例子 ： city58_test.py：本例中演示了response的follow函数中相对路径转化为绝对路径，并且比较了request中各个参数的异同 # -*- coding: utf-8 -*- import scrapy from pyquery import PyQuery from ..items import City58Item from scrapy.http import Request class City58TestSpider(scrapy.Spider): name = 'city58_test' allowed_domains = [ '58.com'] start_urls = [ 'http://bj.58.com/chuzu/', # 'http://bj.58.com/chuzu/pn2/' ] def parse(self, response): jpy = PyQuery(response.text) li_list = jpy( 'body > div.mainbox > div.main > div.content > div.listBox > ul > li').items() for it in li_list: a_tag = it( 'div.des > h2 > a') item = City58Item() item[ 'name'] = a_tag.text() item[ 'url'] = a_tag.attr( 'href') item[ 'price'] = it( 'div.listliright > div.money > b').text() test_request = response.follow( '/chuzu/pn2/', callback=self.parse) #使用response.follow方法把“/chuzu/pn2/”这个相对路径转换为绝对路径，并回调parse()函数 test_request2 = Request( 'http://bj.58.com/chuzu/pn3/', callback=self.parse, errback=self.error_back, #调用异常函数 cookies={}, #cookie设为空 headers={}, #headers设为空 priority= 10 ) test_request3 = Request( 'http://58.com', callback=self.parse, errback=self.error_back, #调用异常函数 priority= 10, #优先级设为10 meta={ 'dont_redirect': True} #不用重定向 ) test_request4 = Request( 'http://58.com', callback=self.parse, errback=self.error_back, priority= 10, # meta={'dont_redirect': True} dont_filter= True #对url不过滤 ) yield item yield test_request yield test_request2 yield test_request3 yield test_request4 def error_back(self, e): _ = self print(e) #打印异常信息 课后作业：实现58同城的翻页以及详情页的爬取items.py：定义要爬取的内容 import scrapy class City58Item(scrapy.Item): name = scrapy.Field() price = scrapy.Field() url = scrapy.Field() introduce_item = scrapy.Field() address = scrapy.Field() phone_number = scrapy.Field()city58_test.py：实现58同城的翻页以及详情页的爬取 # -*- coding: utf-8 -*- import scrapy from pyquery import PyQuery from ..items import City58Item from scrapy.http import Request class City58TestSpider(scrapy.Spider): name = 'city58_test' allowed_domains = [ '58.com'] start_urls = [ 'http://bj.58.com/chuzu/'] def parse(self, response): jpy = PyQuery(response.text) li_list = jpy( 'body > div.mainbox > div.main > div.content > div.listBox > ul > li').items() for it in li_list: a_tag = it( 'div.des > h2 > a') item = City58Item() item[ 'name'] = a_tag.text() item[ 'url'] = a_tag.attr( 'href') item[ 'price'] = it( 'div.listliright > div.money > b').text() if item[ 'url']: #判断url是否为空 yield Request(item[ 'url'], callback = self.detail_parse, meta = { 'item':item} , #使用meta参数，把item传给detail_parse() priority = 10 , #优先级设为10 dont_filter= True #强制不过滤) ) url = jpy( '#bottom_ad_li > div.pager > a.next').attr( 'href') #提取翻页链接 test_request = Request(url, callback=self.parse, priority= 10, # meta={'dont_redirect': True} dont_filter= True # 对url不过滤 ) yield test_request #实现翻页 def detail_parse(self,response): jpy = PyQuery(response.text) item = response.meta[ 'item'] #接收item item[ 'introduce_item'] = jpy( 'body > div.main-wrap > div.house-detail-desc > div.main-detail-info.fl > div.house-word-introduce.f16.c_555 > ul > li:nth-child(1) > span.a2').text() #提取房屋亮点 item[ 'address'] = jpy( 'body > div.main-wrap > div.house-basic-info > div.house-basic-right.fr > div.house-basic-desc > div.house-desc-item.fl.c_333 > ul > li:nth-child(6) > span.dz').text() #房屋详情地址 item[ 'phone_number'] = jpy( 'body > div.main-wrap > div.house-basic-info > div.house-basic-right.fr > div.house-fraud-tip > div.house-chat-phone > span').text() #电话号码 return itempipeline.py：与以前的例子相同，写入文件 import json class City58Pipeline(object): def open_spider(self,spider): self.file = open( '58_chuzu.txt', 'w' , encoding= 'utf8') print( '打开文件了') def process_item(self, item, spider): line = '{}\n'.format(json.dumps(dict(item),ensure_ascii = False)) self.file.write(line) return item def close_spider(self, spider): self.file.close() print( '关闭文件了') 补充资料 使用FormRequest.from_response()方法模拟用户登录：FormRequest类扩展了基本请求，具有处理HTML表单的功能。它使用lxml.html表单从表单数据预先填充表单域从响应对象 除了标准的Request方法之外，FormRequest对象还支持以下类方法： classmethod from_response(response[, formname=None, formid=None, formnumber=0, formdata=None, formxpath=None, formcss=None, clickdata=None, dont_click=False, ...]) 返回一个新的FormRequest对象，其表单字段值预先填充在给定响应中包含的HTML 元素中 该policy是默认情况下自动模拟任何可以点击的表单控件，如 < input type =“submit” >。即使这是非常方便的，通常是期望的行为，有时它可能会导致难以调试的问题。例如，使用javascript填充和/或提交的表单时，默认的from_response（）行为可能不是最合适的。要禁用此行为，您可以将dont_click参数设置为True。另外，如果要更改点击的控件（而不是禁用它），还可以使用clickdata参数 import scrapy class LoginSpider(scrapy.Spider): name = 'example.com' start_urls = [ 'http://www.example.com/users/login.php'] def parse(self, response): return scrapy.FormRequest.from_response( response, formdata={ 'username': 'john', 'password': 'secret'}, #预先填好的账号密码 callback= self.after_login ) def after_login(self, response): # check login succeed before going on if "authentication failed" in response. body: self.logger.error( "Login failed") return |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |