Scrapy 中的 Request 对象和 Respionse 对象

1、Request 对象

  Request 对象用来描述一个 HTTP 请求,下面是其构造方法的参数列表

  

Request(url, [, callback, method='Get', headers, body, ...])

下面一次介绍这些参数

  (1) url (必选)

    请求页面的 url 地址, bytes 或 str 类型

    如 ‘http://www.python.org/doc’

  (2)callback

    页面解析函数, Callback 类型,Request 对象请求的页面下载完成后,由该参数指定的页面解析函数被调用,如果未传该参数,默认调用 Spider 的 parse 方法

  (3)method 

    HTTP 请求的方法, 默认为 “GET”

  (4)headers

    HTTP 请求头部字典,dict 类型,例如{‘Accept’:‘text/html’, 'Uesr-Agent': Mozilla/5.0}。如果其中某项的值为 None,就表示不发送该项 HTTP 头部

    例如{‘Cookie’:None},禁止发送Cookie

  (5)body

    HTTP 请求的正文,bytes 或 str 类型

  (6)cookies

    Cookie信息字典,dict类型,例如{‘currency’:‘USD’, ‘count’:‘UY’}

  (7)meta

    Request 的元数据字典,dict 类型,用于给框架中其他组件传递信息,比如中间件 Item Pipline,其他组件可以使用Request 对象的 meta 属性访问该元数据字典

  (8)encoding 

    url 和 body 参数的编码默认为 ‘utf-8’,如果传入的 url 或 body 参数是 str 类型,就使用该参数进行编码

  (9)priority

    请求的优先级默认值为0,优先级高的请求有限下载。

  (10)dont_filter

    默认情况下(dont_filter=False),对同一个 url 地址多次提交下载请求,后面的请求会被去重过滤器过滤(避免重复下载)。如果将该参数置为 True ,可以使

    请求避免被过滤,强制下载,例如,在多次爬取一个内容随时间而变化的页面时(每次使用相同的 url ),可以将其参数置为 True

  (11)errback

    请求出现异常或者出现 HTTP 错误是(如404页面不存在)的回调函数

虽然参数很多,但除了 url 参数外,其他都带有默认值,在构造 Request 对象时,通常我们只需传入一个 url 参数或再加一个 Callback 参数,其他使用默认值即可

  在实际应用中,我们几乎只用 Request 的构造器创建对象,但也可以根据需求访问 Request 对象的属性,常用的有一下几个:

    (1)url

    (2)method  

    (3)headers

    (4)body

    (5)meta

    这些参数和构造器参数相对应

 

2、Response 对象

  Response 对象用来描述一个 HTTP 响应,Response 只是一个基类,根据响应内容的不同有如下子类:

    (1) TextResponse

    (2)HtmlResponse

    (3)XmlResponse

    当一个页面下载完毕时,下载器依据 HTTP 响应头部中的 Content-Type 信息创建某个 Response 的子类对象。我们通常爬取的网页,其内容是 HTML 文本,创建的便是 HtmlResponse对象,其中 HtmlResponse 和 XmlResponse 是 TextResponse 的子类。实际上,在3个子类只有细微的差别,这里以 HtmlResponse 为例进行讲解。

  ·下面介绍 HtmlResponse 随想的属性和方法:

    (1)url

      HTTP 响应的 url 地址,str 类型

    (2)status

      HTTP 响应状态码, int 类型,例如 200, 404

    (3)headers

      HTTP 响应的头部,类字典类型,可以调用 get 或 getlist 方法对齐进行访问。

      

response.headers.get('Content-Type')
response.headers.getlist('Set-Cookie')

    (4)body

      HTTP 响应正文,bytes 类型

    (5)text

      文本形式的 HTTP 响应正文,str 类型,他是由 response.body 使用response.encoding 解码得到的;

responsne.text = response.body.decode(response.encoding)

    (6)encoding

       HTTP 响应正文的编码,它的值可能是从 HTTP 响应头部或正文中解析出来的

    (7)request 

      产生该 HTTP 响应的 Request 对象

    (8) meta

      即 response.request.metra,在构造 Request 对象时,可将要传递给响应处理函数的信息通过 meta 参数传入,响应处理函数处理响应是,通过response.meta 将信息取出

    (7)selector

      Selector 对象用于在 Response 中提取数据

    (8)xpath(query)

      使用 XPath 选择器在 Response 中提取数据,实际上它是response.selector.xpath 方法的快捷方式

     (9)css(query)

      使用 CSS 选择器在 Response 中提取数据,实际上它是response.selector.css 方法的快捷方式

    (10)urljoin(url)

      用于构造绝对 url,当传入的 url 参数是一个相对地址时,根据response.url 计算出响应的绝对 url

      例如:response.url 为 http://www.example.com/a, url为 b/index.html,调用response.urljoin(url)的结果为 http://www.example.com/a/b/index.html

    虽然 HtmlResponse 对象有很多属性,但最常用的是以下3个方法:

      (1)xpath(query)

      (2)css(query)

      (3)urljoin(url)

      前两个方法用于提取数据,后一个方法用于构造绝对 url

 

 

 

 

 

 

 

 

  

 

posted on 2019-05-22 13:32  海纳百川_有容乃大  阅读(257)  评论(0编辑  收藏  举报

导航