Scrapy的Request和Response
Scrapy的Request和Response
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response- Request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
Request.meta 一些特殊的keys
dont_redirect
:如果 Request.meta 包含 dont_redirect 键,则该request将会被RedirectMiddleware忽略dont_retry
:如果 Request.meta 包含 dont_retry 键, 该request将会被RetryMiddleware忽略handle_httpstatus_list
:Request.meta 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
:Request.meta 中的dont_merge_cookies设为TRUE,可以避免与现有cookie合并cookiejar
:Scrapy通过使用 Request.meta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 Request.meta 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Request.meta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urlbody
——请求回来的htmlmeta
——用来在“页面”之间传递数据headers
——页面的headers数据cookies
——设置页面的cookiesRequest
——发出这个response的request对象
Response对象方法
copy()
:同requestreplace()
:同requesturljoin()
: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
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 item
pipeline.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 <form>
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