(十二) scrapy框架之递归解析和post请求

今日概要

• 递归爬取解析多页页面数据
• scrapy核心组件工作流程
• scrapy的post请求发送

今日详情

1.递归爬取解析多页页面数据

　　需求：将糗事百科所有页码的作者和段子内容数据进行爬取切持久化存储

　　需求分析：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）

代码展示：

# -*- coding: utf-8 -*-
import scrapy
from qiushibaike.items import QiushibaikeItem
# scrapy.http import Request
class QiushiSpider(scrapy.Spider):
    name = 'qiushi'
    allowed_domains = ['www.qiushibaike.com']
    start_urls = ['https://www.qiushibaike.com/text/']

    #爬取多页
    pageNum = 1 #起始页码
    url = 'https://www.qiushibaike.com/text/page/%s/' #每页的url

    def parse(self, response):
        div_list=response.xpath('//*[@id="content-left"]/div')
        for div in div_list:
            #//*[@id="qiushi_tag_120996995"]/div[1]/a[2]/h2
            author=div.xpath('.//div[@class="author clearfix"]//h2/text()').extract_first()
            author=author.strip('\n')
            content=div.xpath('.//div[@class="content"]/span/text()').extract_first()
            content=content.strip('\n')
            item=QiushibaikeItem()
            item['author']=author
            item['content']=content

            yield item #提交item到管道进行持久化

         #爬取所有页码数据
        if self.pageNum <= 13: #一共爬取13页（共13页）
            self.pageNum += 1
            url = format(self.url % self.pageNum)

            #递归爬取数据：callback参数的值为回调函数（将url请求后，得到的相应数据继续进行parse解析），递归调用parse函数
            yield scrapy.Request(url=url,callback=self.parse)

2.五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

1. 先由spiders把URL封装成了请求对象,但是这个请求对象还没有发送,然后发送给引擎(每一个url对应一个请求对象);
2. 引擎拿到请求对象之后, 将其全部交给调度器;
3. 调度器有两个功能,过滤器和队列,它拿到所有请求对象后,通过内部的过滤器过滤掉重复的url,最后将去重后的所有url对应的请求对象加入到队列中,随后调度器调度出其中一个请求对象, 并将其交给引擎;
4. 引擎将调度器调度出的请求对象交给下载器;
5. 下载器拿到该请求对象去互联网中下载数据;
6. 数据下载成功后会被封装到response中, 随后response会被交给下载器;
7. 下载器将response返回给引擎;
8. 引擎拿到响应对象之后交给spiders;
9. spiders拿到response后调用回调方法进行数据解析, 解析成功后产生item, 随后spiders将item交给引擎;
10. 引擎将item交给管道, 管道的process_item方法就可以接收到item对象,然后这个方法就会被调用,进行持久化存储
当存储完毕之后,又会向其他页码的请求对象封装好再提交给引擎,这回调度器过滤之后放入队列,里面就会有其他的子URL,再进行前面的步骤,直到没有请求后结束

3.post请求发送

问题：在之前代码中，我们从来没有手动的对start_urls列表中存储的起始url进行过请求的发送，但是起始url的确是进行了请求的发送，那这是如何实现的呢？

解答：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：

def start_requests(self):
    for u in self.start_urls:
       yield scrapy.Request(url=u,callback=self.parse)

【注意】该方法默认的实现，是对起始的url发起get请求，如果想发起post请求，则需要子类重写该方法。

　　-方法： 重写start_requests方法，让其发起post请求：

def start_requests(self):
        #请求的url
        post_url = 'http://fanyi.baidu.com/sug'
        # post请求参数
        formdata = {
            'kw': 'wolf',
        }
        # 发送post请求
        yield scrapy.FormRequest(url=post_url, formdata=formdata, callback=self.parse)