1. Scrapy-Request和Response（请求和响应）
Scrapy的Request和Response对象用于爬网网站。
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。
sequenceDiagram
爬虫->>Request: 创建
Request->>Response:获取下载数据
Response->>爬虫:数据
2. Request对象
class scrapy.http.Request(url[, callback, method='GET', headers, body, cookies, meta, encoding='utf-8', priority=0, dont_filter=False, errback])
一个Request对象表示一个HTTP请求，它通常是在爬虫生成，并由下载执行，从而生成Response
-
参数
-
url（string） - 此请求的网址
-
callback（callable） - 将使用此请求的响应（一旦下载）作为其第一个参数调用的函数。有关更多信息，请参阅下面的将附加数据传递给回调函数。如果请求没有指定回调，parse()将使用spider的 方法。请注意，如果在处理期间引发异常，则会调用errback。
-
method（string） - 此请求的HTTP方法。默认为'GET'。可设置为"GET", "POST", "PUT"等，且保证字符串大写
-
meta（dict） - 属性的初始值Request.meta,在不同的请求之间传递数据使用
-
body（str或unicode） - 请求体。如果unicode传递了a，那么它被编码为 str使用传递的编码（默认为utf-8）。如果 body没有给出，则存储一个空字符串。不管这个参数的类型，存储的最终值将是一个str（不会是unicode或None）。
-
headers（dict） - 这个请求的头。dict值可以是字符串（对于单值标头）或列表（对于多值标头）。如果 None作为值传递，则不会发送HTTP头.一般不需要
-
encoding: 使用默认的 'utf-8' 就行。
-
cookie（dict或list） - 请求cookie。这些可以以两种形式发送。
- 使用dict：
request_with_cookies = Request(url="http://www.sxt.cn/index/login/login.html",) -
使用列表：
request_with_cookies = Request(url="http://www.example.com", cookies=[{'name': 'currency', 'value': 'USD', 'domain': 'example.com', 'path': '/currency'}])后一种形式允许定制 cookie的属性domain和path属性。这只有在保存Cookie用于以后的请求时才有用
-
request_with_cookies = Request(url="http://www.example.com",
cookies={'currency': 'USD', 'country': 'UY'},
meta={'dont_merge_cookies': True})
将附加数据传递给回调函数
请求的回调是当下载该请求的响应时将被调用的函数。将使用下载的Response对象作为其第一个参数来调用回调函数
def parse_page1(self, response):
item = MyItem()
item['main_url'] = response.url
request = scrapy.Request("http://www.example.com/some_page.html",
callback=self.parse_page2)
request.meta['item'] = item
return request
def parse_page2(self, response):
item = response.meta['item']
item['other_url'] = response.url
return item
3 请求子类 FormRequest对象
FormRequest类扩展了Request具有处理HTML表单的功能的基础。它使用lxml.html表单 从Response对象的表单数据预填充表单字段
class scrapy.http.FormRequest(url[, formdata, ...])
本FormRequest类增加了新的构造函数的参数。其余的参数与Request类相同，这里没有记录
- 参数：formdata（元组的dict或iterable） - 是一个包含HTML Form数据的字典（或（key，value）元组的迭代），它将被url编码并分配给请求的主体。
该FormRequest对象支持除标准以下类方法Request的方法：
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FormRequest对象，其中的表单字段值已预先<form>填充在给定响应中包含的HTML 元素中.
参数：
- response（Responseobject） - 包含将用于预填充表单字段的HTML表单的响应
- formname（string） - 如果给定，将使用name属性设置为此值的形式
- formid（string） - 如果给定，将使用id属性设置为此值的形式
- formxpath（string） - 如果给定，将使用匹配xpath的第一个表单
- formcss（string） - 如果给定，将使用匹配css选择器的第一个形式
- formnumber（integer） - 当响应包含多个表单时要使用的表单的数量。第一个（也是默认）是0
- formdata（dict） - 要在表单数据中覆盖的字段。如果响应元素中已存在字段，则其值将被在此参数中传递的值覆盖
- clickdata（dict） - 查找控件被点击的属性。如果没有提供，表单数据将被提交，模拟第一个可点击元素的点击。除了html属性，控件可以通过其相对于表单中其他提交表输入的基于零的索引，通过nr属性来标识
- dont_click（boolean） - 如果为True，表单数据将在不点击任何元素的情况下提交
3.1 请求使用示例
使用FormRequest通过HTTP POST发送数据
如果你想在你的爬虫中模拟HTML表单POST并发送几个键值字段，你可以返回一个FormRequest对象（从你的爬虫）像这样：
return [FormRequest(url="http://www.example.com/post/action",
formdata={'name': 'John Doe', 'age': '27'},
callback=self.after_post)]
使用FormRequest.from_response（）来模拟用户登录
网站通常通过元素（例如会话相关数据或认证令牌（用于登录页面））提供预填充的表单字段。进行剪贴时，您需要自动预填充这些字段，并且只覆盖其中的一些，例如用户名和密码。您可以使用 此作业的方法。这里有一个使用它的爬虫示例：
<input type="hidden"> FormRequest.from_response()
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'},
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
# continue scraping with authenticated session...
4 响应对象
class scrapy.http.Response(url[, status=200, headers=None, body=b'', flags=None, request=None])
一个Response对象表示的HTTP响应，这通常是下载（由下载），并供给到爬虫进行处理
参数：
- url（string） - 此响应的URL
- status（integer） - 响应的HTTP状态。默认为200
- headers（dict） - 这个响应的头。dict值可以是字符串（对于单值标头）或列表（对于多值标头）
- body（str） - 响应体。它必须是str，而不是unicode，除非你使用一个编码感知响应子类，如 TextResponse
- flags（list） - 是一个包含属性初始值的 Response.flags列表。如果给定，列表将被浅复制
- request（Requestobject） - 属性的初始值Response.request。这代表Request生成此响应
5 模拟登录
用的函数：
-
start_requests()可以返回一个请求给爬虫的起始网站，这个返回的请求相当于start_urls，start_requests()返回的请求会替代start_urls里的请求
-
Request()get请求，可以设置，url、cookie、回调函数
-
FormRequest.from_response()表单post提交，第一个必须参数，上一次响应cookie的response对象，其他参数，cookie、url、表单内容等
-
yield Request()可以将一个新的请求返回给爬虫执行
在发送请求时cookie的操作，
- meta={'cookiejar':1}表示开启cookie记录，首次请求时写在Request()里
- meta={'cookiejar':response.meta['cookiejar']}表示使用上一次response的cookie，写在FormRequest.from_response()里post授权
- meta={'cookiejar':True}表示使用授权后的cookie访问需要登录查看的页面
获取Scrapy框架Cookies
样例代码
start_requests()方法，可以返回一个请求给爬虫的起始网站，这个返回的请求相当于start_urls，start_requests()返回的请求会替代start_urls里的请求
在发送请求时cookie的操作
meta={'cookiejar':1}表示开启cookie记录，首次请求时写在Request()里
meta={'cookiejar':response.meta['cookiejar']}表示使用上一次response的cookie，写在Request里post授权
import scrapy
from scrapy import Request
from scrapy import FormRequest
class SxtSpiderSpider(scrapy.Spider):
name = 'sxt1'
allowed_domains = ['sxt.cn']
def start_requests(self):
return [Request('http://www.sxt.cn/index/login/login.html', meta={'cookiejar': 1}, callback=self.parse)]
def parse(self, response):
formdata = {
"user": "17703181473", "password": "123456"
}
return FormRequest( formdata=formdata,
url='http://www.sxt.cn/index/login/login.html',
meta={'cookiejar': response.meta['cookiejar']},
callback=self.login_after)
def login_after(self, response):
yield scrapy.Request('http://www.sxt.cn/index/user.html',
meta={"cookiejar": response.meta['cookiejar']},
callback=self.next)
def next(self,response):
print(response.text)
京公网安备 11010502036488号