版权声明:本文为博主原创文章,转载请注明出处。 https://blog.csdn.net/will4906/article/details/72625170
scrapy专利爬虫(二)——请求相关
在这里笔者将会介绍一些关于发送request的相关内容。
Spider
Spider默认需要填写三个参数:
name | spider的独立名称,必须唯一 |
allowed_domains | 允许爬取的范围,以专利爬虫为例,不会超出专利网站的范围,所以只需要填写”pss-system.gov.cn”即可。 |
start_urls | 起始url,spider会首先请求这个参数里的地址。 |
Request和FormRequest
在Spider之后,如果想继续深入爬取,可以使用Requset或FormRequest对象建立新的链接。
- 需要指定Request/FormRequset的callback参数,这是一个含reponse的回调函数,这样当请求完成后,scrapy会自动调用所设定的回调函数处理reponse。
- 参数传递,Request和FormRequest都用meta这个参数,这个参数会跟随reponse在callback参数的回调函数中出现。所以可以进行参数传递。
- 设定请求的method是get,post等。
- 关于FormRequest,这是一个可以用来发送表单数据的请求,有个formData参数,可带tuple格式参数
- 其他参数详见官方文档
在这里必须要解释的一个python关键字是yield
,笔者的理解这是一个迭代对象生成器。对于list等可迭代对象,可以用函数的方式生成,只要在函数中使用yield这个关键字,代码在执行的时候会先挂起yield前的所有操作,当对象产生迭代行为,如for循环时才会执行前面的代码。在scrapy中将会经常使用这个关键字,发送请求。
下载延时
在settings.py文件中,可以设置请求完成后的文件下载延时DOWNLOAD_DELAY,为了减轻服务器的压力这个延时不能设置得太低。
部分中间件
- UserAgentMiddleware
可以用来随机替换程序发送请求请求的User-Agent参数,伪装各种浏览器,不会轻易被服务器发现。
class RandomUserAgentMiddleware(UserAgentMiddleware):
def process_request(self, request, spider):
request.headers.setdefault('User-Agent', HeadersEngine().getRandomUserAgent())
- HttpProxyMiddleware
可以用来实现ip代理的功能
class ProxyMiddleware:
def process_request(self, request, spider):
request.meta['proxy'] = "http://" + 你的代理ip + : + 你的代理ip的端口号
- 如何开启中间件
在settings.py文件中,有这样一段代码:
DOWNLOADER_MIDDLEWARES = {
'PatentCrawler.middlewares.ProxyMiddleware': 543,
'PatentCrawler.middlewares.RandomUserAgentMiddleware': 542
}
需要在花括号内将定义的中间件填写上去,并填写优先级。
源码下载
赞赏 | |
微信 | 支付宝 |