网络爬虫框架Scrapy详解之Request
网络爬虫框架Scrapy详解之Request
Python中文社区
发布于 2018-08-08 11:42:13
发布于 2018-08-08 11:42:13
作者：zarten，互联网一线工作者。
地址：zhihu.com/people/zarten
介绍
Request类是一个http请求的类，对于爬虫而言是一个很重要的类。通常在Spider中创建这样的一个请求，在Downloader中执行这样的一个请求。同时也有一个子类FormRequest继承于它，用于post请求。
在Spider中通常用法：
yield scrapy.Request(url = 'zarten.com')类属性和方法有：
url
method
headers
body
meta
copy()
replace([url, method, headers, body, cookies, meta, encoding, dont_filter, callback, errback])Request
class scrapy.http.Request(url[, callback, method='GET', headers, body, cookies, meta, encoding='utf-8', priority=0, dont_filter=False, errback, flags])参数说明:
- url 请求的url
- callback 回调函数，用于接收请求后的返回信息，若没指定，则默认为parse()函数
- method http请求的方式，默认为GET请求，一般不需要指定。若需要POST请求，用FormRequest即可
- headers 请求头信息，一般在settings中设置即可，也可在middlewares中设置
- body str类型，为请求体，一般不需要设置（get和post其实都可以通过body来传递参数，不过一般不用）
- cookies dict或list类型，请求的cookie dict方式(name和value的键值对)：
cookies = {'name1' : 'value1' , 'name2' : 'value2'}list方式：
cookies = [
{'name': 'Zarten', 'value': 'my name is Zarten', 'domain': 'example.com', 'path': '/currency'}
]- encoding 请求的编码方式，默认为'utf-8'
- priority int类型，指定请求的优先级，数字越大优先级越高，可以为负数，默认为0
- dont_filter 默认为False，若设置为True，这次请求将不会过滤（不会加入到去重队列中），可以多次执行相同的请求
- errback 抛出错误的回调函数，错误包括404，超时，DNS错误等，第一个参数为Twisted Failure实例
from scrapy.spidermiddlewares.httperror import HttpError
from twisted.internet.error import DNSLookupError
from twisted.internet.error import TimeoutError, TCPTimedOutError
class ToScrapeCSSSpider(scrapy.Spider):
name = "toscrape-css"
# start_urls = [
# 'http://quotes.toscrape.com/',
# ]
start_urls = [
"http://www.httpbin.org/", # HTTP 200 expected
"http://www.httpbin.org/status/404", # Not found error
"http://www.httpbin.org/status/500", # server issue
"http://www.httpbin.org:12345/", # non-responding host, timeout expected
"http://www.httphttpbinbin.org/", # DNS error expected
]
def start_requests(self):
for u in self.start_urls:
yield scrapy.Request(u, callback=self.parse_httpbin,
errback=self.errback_httpbin,
dont_filter=True)
def parse_httpbin(self, response):
self.logger.info('Got successful response from {}'.format(response.url))
# do something useful here...
def errback_httpbin(self, failure):
# log all failures
self.logger.info(repr(failure))
# in case you want to do something special for some errors,
# you may need the failure's type:
if failure.check(HttpError):
# these exceptions come from HttpError spider middleware
# you can get the non-200 response
response = failure.value.response
self.logger.info('HttpError错误 on %s', response.url)
elif failure.check(DNSLookupError):
# this is the original request
request = failure.request
self.logger.info('DNSLookupError错误 on %s', request.url)
elif failure.check(TimeoutError, TCPTimedOutError):
request = failure.request
self.logger.info('TimeoutError错误 on %s', request.url)- flags list类型，一般不会用到，发送请求的标志，一般用于日志记录
- meta 可用户自定义从Request到Response传递参数，这个参数一般也可在middlewares中处理
yield scrapy.Request(url = 'zarten.com', meta = {'name' : 'Zarten'})在Response中：
my_name = response.meta['name']不过也有scrapy内置的特殊key，也非常有用，它们如下：
- proxy 设置代理，一般在middlewares中设置
可以设置http或https代理
request.meta['proxy'] = 'https://' + 'ip:port'- downloadtimeout 设置请求超时等待时间（秒），通常在settings中设置DOWNLOADTIMEOUT，默认是180秒（3分钟）
- maxretrytimes 最大重试次数（除去第一次下载），默认为2次，通常在settings中 RETRY_TIMES设置
- dont_redirect 设为True后，Request将不会重定向
- dont_retry 设为True后，对于http链接错误或超时的请求将不再重试请求
- handlehttpstatuslist http返回码200-300之间都是成功的返回，超出这个范围的都是失败返回，scrapy默认是过滤了这些返回，不会接收这些错误的返回进行处理。不过可以自定义处理哪些错误返回：
yield scrapy.Request(url= 'https://httpbin.org/get/zarten', meta= {'handle_httpstatus_list' : [404]})在parse函数中可以看到处理404错误：
def parse(self, response):
print('返回信息为：',response.text)- handlehttpstatusall 设为True后，Response将接收处理任意状态码的返回信息
- dontmergecookies scrapy会自动保存返回的cookies，用于它的下次请求，当我们指定了自定义cookies时，如果我们不需要合并返回的cookies而使用自己指定的cookies，可以设为True
- cookiejar 可以在单个spider中追踪多个cookie，它不是粘性的，需要在每次请求时都带上
def start_requests(self):
urls = ['http://quotes.toscrape.com/page/1',
'http://quotes.toscrape.com/page/3',
'http://quotes.toscrape.com/page/5',
]
for i ,url in enumerate(urls):
yield scrapy.Request(url= url, meta= {'cookiejar' : i})
def parse(self, response):
next_page_url = response.css("li.next > a::attr(href)").extract_first()
if next_page_url is not None:
yield scrapy.Request(response.urljoin(next_page_url), meta= {'cookiejar' : response.meta['cookiejar']}, callback= self.parse_next)
def parse_next(self, response):
print('cookiejar:', response.meta['cookiejar'])- dont_cache 设为True后，不会缓存
- redirect_urls 暂时还不清楚具体的作用，知道的小伙伴们欢迎在评论留言
- bindaddress 绑定输出IP
- dontobeyrobotstxt 设为True，不遵守robots协议，通常在settings中设置
- downloadmaxsize 设置下载器最大下载的大小（字节），通常在settings中设置DOWNLOADMAXSIZE，默认为1073741824 (1024MB=1G)，若不设置最大的下载限制，设为0
- download_latency 只读属性，获取请求的响应时间（秒）
def start_requests(self):
headers = {
'user-agent' : 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
yield scrapy.Request(url= 'https://www.amazon.com', headers= headers)
def parse(self, response):
print('响应时间为：', response.meta['download_latency'])- downloadfailon_dataloss 很少用到，详情看这里
- referrer_policy 设置Referrer Policy
FormRequest
FormRequest 类为Request的子类，用于POST请求
这个类新增了一个参数 formdata，其他参数与Request一样，详细可参考上面的讲述
一般用法为:
yield scrapy.FormRequest(url="http://www.example.com/post/action",
formdata={'name': 'Zarten', 'age': '27'},
callback=self.after_post)本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2018-08-06，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读