爬蟲開發9.scrapy框架之遞歸解析和post請求
阿新 • • 發佈:2019-03-16
scheduler sched ike url 什麽 page https 一個 @class
今日概要
- 遞歸爬取解析多頁頁面數據
- scrapy核心組件工作流程
- scrapy的post請求發送
今日詳情
1.遞歸爬取解析多頁頁面數據
- 需求:將糗事百科所有頁碼的作者和段子內容數據進行爬取切持久化存儲
- 需求分析:每一個頁面對應一個url,則scrapy工程需要對每一個頁碼對應的url依次發起請求,然後通過對應的解析方法進行作者和段子內容的解析。
實現方案:
1.將每一個頁碼對應的url存放到爬蟲文件的起始url列表(start_urls)中。(不推薦)
2.使用Request方法手動發起請求。(推薦)
代碼展示:
# -*- coding: utf-8 -*- import scrapy from qiushibaike.items import QiushibaikeItem # scrapy.http import Request class QiushiSpider(scrapy.Spider): name = ‘qiushi‘ allowed_domains = [‘www.qiushibaike.com‘] start_urls = [‘https://www.qiushibaike.com/text/‘] #爬取多頁 pageNum = 1 #起始頁碼 url = ‘https://www.qiushibaike.com/text/page/%s/‘ #每頁的url def parse(self, response): div_list=response.xpath(‘//*[@id="content-left"]/div‘) for div in div_list: #//*[@id="qiushi_tag_120996995"]/div[1]/a[2]/h2 author=div.xpath(‘.//div[@class="author clearfix"]//h2/text()‘).extract_first() author=author.strip(‘\n‘) content=div.xpath(‘.//div[@class="content"]/span/text()‘).extract_first() content=content.strip(‘\n‘) item=QiushibaikeItem() item[‘author‘]=author item[‘content‘]=content yield item #提交item到管道進行持久化 #爬取所有頁碼數據 if self.pageNum <= 13: #一共爬取13頁(共13頁) self.pageNum += 1 url = format(self.url % self.pageNum) #遞歸爬取數據:callback參數的值為回調函數(將url請求後,得到的相應數據繼續進行parse解析),遞歸調用parse函數 yield scrapy.Request(url=url,callback=self.parse)
2.五大核心組件工作流程:
- 引擎(Scrapy)
用來處理整個系統的數據流處理, 觸發事務(框架核心) - 調度器(Scheduler)
用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 可以想像成一個URL(抓取網頁的網址或者說是鏈接)的優先隊列, 由它來決定下一個要抓取的網址是什麽, 同時去除重復的網址 - 下載器(Downloader)
用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是建立在twisted這個高效的異步模型上的) - 爬蟲(Spiders)
爬蟲是主要幹活的, 用於從特定的網頁中提取自己需要的信息, 即所謂的實體(Item)。用戶也可以從中提取出鏈接,讓Scrapy繼續抓取下一個頁面 - 項目管道(Pipeline)
負責處理爬蟲從網頁中抽取的實體,主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。當頁面被爬蟲解析後,將被發送到項目管道,並經過幾個特定的次序處理數據。
3.post請求發送
- 問題:在之前代碼中,我們從來沒有手動的對start_urls列表中存儲的起始url進行過請求的發送,但是起始url的確是進行了請求的發送,那這是如何實現的呢?
- 解答:其實是因為爬蟲文件中的爬蟲類繼承到了Spider父類中的start_requests(self)這個方法,該方法就可以對start_urls列表中的url發起請求:
def start_requests(self): for u in self.start_urls: yield scrapy.Request(url=u,callback=self.parse)
【註意】該方法默認的實現,是對起始的url發起get請求,如果想發起post請求,則需要子類重寫該方法。
-方法: 重寫start_requests方法,讓其發起post請求:
def start_requests(self):
#請求的url
post_url = ‘http://fanyi.baidu.com/sug‘
# post請求參數
formdata = {
‘kw‘: ‘wolf‘,
}
# 發送post請求
yield scrapy.FormRequest(url=post_url, formdata=formdata, callback=self.parse)
爬蟲開發9.scrapy框架之遞歸解析和post請求