scrapy递归解析和post请求

递归解析

递归爬取解析多页页面数据

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）

import scrapy
from choutiPro.items import ChoutiproItem


class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    # allowed_domains = ['www.xxx.com']
    # 通用url的封装
    url = 'https://dig.chouti.com/r/scoff/hot/%d'
    pageNum = 1

    start_urls = ['https://dig.chouti.com/r/scoff/hot/1']

    def parse(self, response):
        div_list = response.xpath('//div[@id="content-list"]/div')
        for div in div_list:
            title = div.xpath('./div[3]/div[1]/a/text()').extract_first()
            author = div.xpath('./div[3]/div[2]/a[4]/b/text()').extract_first()  #

            item = ChoutiproItem()
            item['title'] = title
            item['author'] = author

            yield item

        if self.pageNum < 5:  # 页码的一个范围
            # 封装集成了一个新的页码的url
            self.pageNum += 1
            new_url = format(self.url % self.pageNum)
            # 手动的请求发送:callback表示的指定的解析方法
            yield scrapy.Request(url=new_url, callback=self.parse)

            # 在scrapy框架中yield的使用场景:
            # 1.yield item:向管道提交item
            # 2.yield scrapy.Request():进行手动请求发送

items

import scrapy


class ChoutiproItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    author = scrapy.Field()

pipelines

class ChoutiproPipeline(object):
    def process_item(self, item, spider):
        print(f"{item['title']}:{item['author']}")
        # 持久化储存，测试没写
        return item

settings

BOT_NAME = 'choutiPro'
# 使用UA
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
SPIDER_MODULES = ['choutiPro.spiders']
NEWSPIDER_MODULE = 'choutiPro.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
# 关闭root协议
ROBOTSTXT_OBEY = False

# 开启管道
ITEM_PIPELINES = {
    'choutiPro.pipelines.ChoutiproPipeline': 300,
}

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据。

下图是一个请求再返回来的流程

红色是发送请求

蓝色是返回的流程

post请求

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：

    # 原始作用：将起始url料表中url进行GET请求
    # def start_requests(self):  # 模拟get请求的简化流程
    #     for url in self.start_urls:
    #         yield scrapy.Request(url=url,callback=self.parse)

实现post请求其实就是重写父类的start_requests

    # 重写 父类的 start_requests，让其进行POST请求
    def start_requests(self):
        data = {
            'kw': 'dog'
        }
        for url in self.start_urls:
            # scrapy.FormRequest:指 POST 请求
            # callback=self.parse 指回调函数
            # formdata=data  指post请求发送的数据
            yield scrapy.FormRequest(url=url, callback=self.parse, formdata=data)

列如百度翻译我就可以这样发送post请求

# -*- coding: utf-8 -*-
import scrapy


class PostSpider(scrapy.Spider):
    name = 'post'
    allowed_domains = ['www.xxx.com']
    start_urls = ['https://fanyi.baidu.com/sug']

    # 原始作用：将起始url料表中url进行GET请求
    # def start_requests(self):  # 模拟get请求的简化流程
    #     for url in self.start_urls:
    #         yield scrapy.Request(url=url,callback=self.parse)

    # 重写 父类的 start_requests，让其进行POST请求
    def start_requests(self):
        data = {
            'kw': 'dog'
        }
        for url in self.start_urls:
            # scrapy.FormRequest:指 POST 请求
            # callback=self.parse 指回调函数
            # formdata=data  指post请求发送的数据
            yield scrapy.FormRequest(url=url, callback=self.parse, formdata=data)

    def parse(self, response):
        # print(response.bady)
        print(response.text)

baidu—post

访问人人个人首页

# -*- coding: utf-8 -*-
import scrapy


class LoginSpider(scrapy.Spider):
    name = 'login'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471']

    def start_requests(self):
        formdata = {
            'email': '17701256561',
            'icode': '',
            'origURL': 'http://www.renren.com/home',
            'domain': 'renren.com',
            'key_id': '1',
            'captcha_type': 'web_login',
            'password': '7b456e6c3eb6615b2e122a2942ef3845da1f91e3de075179079a3b84952508e4',
            'rkey': '44fd96c219c593f3c9612360c80310a3',
            'f': 'https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3Dm7m_NSUp5Ri_ZrK5eNIpn_dMs48UAcvT-N_kmysWgYW%26wd%3D%26eqid%3Dba95daf5000065ce000000035b120219',
        }
        for url in self.start_urls:
            yield scrapy.FormRequest(url=url, formdata=formdata, callback=self.parse)

    def parse(self, response):
        url = 'http://www.renren.com/960481378/profile'

        yield scrapy.Request(url=url, callback=self.personalPage)

    def personalPage(self, response):
        page_text = response.text
        print(response)

人人个人首页

scrapy递归解析和post请求

递归解析

五大核心组件工作流程

post请求

猜你喜欢