scrapy递归解析和post请求
递归解析
递归爬取解析多页页面数据
每一个页面对应一个url，则scrapy工程需要对每一个页码对应的url依次发起请求，然后通过对应的解析方法进行作者和段子内容的解析。
实现方案：
1.将每一个页码对应的url存放到爬虫文件的起始url列表（start_urls）中。（不推荐）
2.使用Request方法手动发起请求。（推荐）
import scrapy from choutiPro.items import ChoutiproItem class ChoutiSpider(scrapy.Spider): name = 'chouti' # allowed_domains = ['www.xxx.com'] # 通用url的封装 url = 'https://dig.chouti.com/r/scoff/hot/%d' pageNum = 1 start_urls = ['https://dig.chouti.com/r/scoff/hot/1'] def parse(self, response): div_list = response.xpath('//div[@id="content-list"]/div') for div in div_list: title = div.xpath('./div[3]/div[1]/a/text()').extract_first() author = div.xpath('./div[3]/div[2]/a[4]/b/text()').extract_first() # item = ChoutiproItem() item['title'] = title item['author'] = author yield item if self.pageNum < 5: # 页码的一个范围 # 封装集成了一个新的页码的url self.pageNum += 1 new_url = format(self.url % self.pageNum) # 手动的请求发送:callback表示的指定的解析方法 yield scrapy.Request(url=new_url, callback=self.parse) # 在scrapy框架中yield的使用场景: # 1.yield item:向管道提交item # 2.yield scrapy.Request():进行手动请求发送
items
import scrapy class ChoutiproItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() author = scrapy.Field()
pipelines
class ChoutiproPipeline(object): def process_item(self, item, spider): print(f"{item['title']}:{item['author']}") # 持久化储存，测试没写 return item
settings
BOT_NAME = 'choutiPro' # 使用UA USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36' SPIDER_MODULES = ['choutiPro.spiders'] NEWSPIDER_MODULE = 'choutiPro.spiders' # Crawl responsibly by identifying yourself (and your website) on the user-agent # 关闭root协议 ROBOTSTXT_OBEY = False # 开启管道 ITEM_PIPELINES = { 'choutiPro.pipelines.ChoutiproPipeline': 300, }
Request和Response参数
五大核心组件工作流程
- 引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心) - 调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址 - 下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的) - 爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面 - 项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下图是一个请求再返回来的流程
红色是发送请求
蓝色是返回的流程
post请求
其实是因为爬虫文件中的爬虫类继承到了Spider父类中的start_requests（self）这个方法，该方法就可以对start_urls列表中的url发起请求：
# 原始作用：将起始url料表中url进行GET请求 # def start_requests(self): # 模拟get请求的简化流程 # for url in self.start_urls: # yield scrapy.Request(url=url,callback=self.parse)
实现post请求其实就是重写父类的start_requests
# 重写 父类的 start_requests，让其进行POST请求 def start_requests(self): data = { 'kw': 'dog' } for url in self.start_urls: # scrapy.FormRequest:指 POST 请求 # callback=self.parse 指回调函数 # formdata=data 指post请求发送的数据 yield scrapy.FormRequest(url=url, callback=self.parse, formdata=data)
列如百度翻译我就可以这样发送post请求
# -*- coding: utf-8 -*- import scrapy class PostSpider(scrapy.Spider): name = 'post' allowed_domains = ['www.xxx.com'] start_urls = ['https://fanyi.baidu.com/sug'] # 原始作用：将起始url料表中url进行GET请求 # def start_requests(self): # 模拟get请求的简化流程 # for url in self.start_urls: # yield scrapy.Request(url=url,callback=self.parse) # 重写 父类的 start_requests，让其进行POST请求 def start_requests(self): data = { 'kw': 'dog' } for url in self.start_urls: # scrapy.FormRequest:指 POST 请求 # callback=self.parse 指回调函数 # formdata=data 指post请求发送的数据 yield scrapy.FormRequest(url=url, callback=self.parse, formdata=data) def parse(self, response): # print(response.bady) print(response.text)
访问人人个人首页
# -*- coding: utf-8 -*- import scrapy class LoginSpider(scrapy.Spider): name = 'login' # allowed_domains = ['www.xxx.com'] start_urls = ['http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471'] def start_requests(self): formdata = { 'email': '17701256561', 'icode': '', 'origURL': 'http://www.renren.com/home', 'domain': 'renren.com', 'key_id': '1', 'captcha_type': 'web_login', 'password': '7b456e6c3eb6615b2e122a2942ef3845da1f91e3de075179079a3b84952508e4', 'rkey': '44fd96c219c593f3c9612360c80310a3', 'f': 'https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3Dm7m_NSUp5Ri_ZrK5eNIpn_dMs48UAcvT-N_kmysWgYW%26wd%3D%26eqid%3Dba95daf5000065ce000000035b120219', } for url in self.start_urls: yield scrapy.FormRequest(url=url, formdata=formdata, callback=self.parse) def parse(self, response): url = 'http://www.renren.com/960481378/profile' yield scrapy.Request(url=url, callback=self.personalPage) def personalPage(self, response): page_text = response.text print(response)
