網(wǎng)絡爬蟲框架Scrapy詳解之Request
作者：zarten
Request類是一個http請求的類，對于爬蟲而言是一個很重要的類。通常在Spider中創(chuàng)建這樣的一個請求，在Downloader中執(zhí)行這樣的一個請求。同時也有一個子類FormRequest繼承于它，用于post請求。
介紹
Request類是一個http請求的類，對于爬蟲而言是一個很重要的類。通常在Spider中創(chuàng)建這樣的一個請求，在Downloader中執(zhí)行這樣的一個請求。同時也有一個子類FormRequest繼承于它，用于post請求。
在Spider中通常用法：
- yield scrapy.Request(url = 'zarten.com')
類屬性和方法有：
- 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])
參數(shù)說明:
- url 請求的url
- callback 回調函數(shù)，用于接收請求后的返回信息，若沒指定，則默認為parse()函數(shù)
- method http請求的方式，默認為GET請求，一般不需要指定。若需要POST請求，用FormRequest即可
- headers 請求頭信息，一般在settings中設置即可，也可在middlewares中設置
- body str類型，為請求體，一般不需要設置（get和post其實都可以通過body來傳遞參數(shù)，不過一般不用）
- cookies dict或list類型，請求的cookie dict方式(name和value的鍵值對)：
- cookies = {'name1' : 'value1' , 'name2' : 'value2'}
list方式：
- cookies = [
- {'name': 'Zarten', 'value': 'my name is Zarten', 'domain': 'example.com', 'path': '/currency'}
- ]
- encoding 請求的編碼方式，默認為'utf-8'
- priority int類型，指定請求的優(yōu)先級，數(shù)字越大優(yōu)先級越高，可以為負數(shù)，默認為0
- dont_filter 默認為False，若設置為True，這次請求將不會過濾（不會加入到去重隊列中），可以多次執(zhí)行相同的請求
- errback 拋出錯誤的回調函數(shù)，錯誤包括404，超時，DNS錯誤等，***個參數(shù)為Twisted Failure實例
- 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錯誤 on %s', response.url)
- elif failure.check(DNSLookupError):
- # this is the original request
- request = failure.request
- self.logger.info('DNSLookupError錯誤 on %s', request.url)
- elif failure.check(TimeoutError, TCPTimedOutError):
- request = failure.request
- self.logger.info('TimeoutError錯誤 on %s', request.url)
- flags list類型，一般不會用到，發(fā)送請求的標志，一般用于日志記錄
- meta 可用戶自定義從Request到Response傳遞參數(shù)，這個參數(shù)一般也可在middlewares中處理
- yield scrapy.Request(url = 'zarten.com', meta = {'name' : 'Zarten'})
在Response中：
- my_name = response.meta['name']
不過也有scrapy內置的特殊key，也非常有用，它們如下：
- proxy 設置代理，一般在middlewares中設置
可以設置http或https代理
- request.meta['proxy'] = 'https://' + 'ip:port'
- downloadtimeout 設置請求超時等待時間（秒），通常在settings中設置DOWNLOADTIMEOUT，默認是180秒（3分鐘）
- maxretrytimes ***重試次數(shù)（除去***次下載），默認為2次，通常在settings中 RETRY_TIMES設置
- dont_redirect 設為True后，Request將不會重定向
- dont_retry 設為True后，對于http鏈接錯誤或超時的請求將不再重試請求
- handlehttpstatuslist http返回碼200-300之間都是成功的返回，超出這個范圍的都是失敗返回，scrapy默認是過濾了這些返回，不會接收這些錯誤的返回進行處理。不過可以自定義處理哪些錯誤返回：
- yield scrapy.Request(url= 'https://httpbin.org/get/zarten', meta= {'handle_httpstatus_list' : [404]})
在parse函數(shù)中可以看到處理404錯誤：
- def parse(self, response):
- print('返回信息為：',response.text)
- handlehttpstatusall 設為True后，Response將接收處理任意狀態(tài)碼的返回信息
- dontmergecookies scrapy會自動保存返回的cookies，用于它的下次請求，當我們指定了自定義cookies時，如果我們不需要合并返回的cookies而使用自己指定的cookies，可以設為True
- cookiejar 可以在單個spider中追蹤多個cookie，它不是粘性的，需要在每次請求時都帶上
- 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(urlurl= 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 設為True后，不會緩存
- redirect_urls 暫時還不清楚具體的作用，知道的小伙伴們歡迎在評論留言
- bindaddress 綁定輸出IP
- dontobeyrobotstxt 設為True，不遵守robots協(xié)議，通常在settings中設置
- downloadmaxsize 設置下載器***下載的大小（字節(jié)），通常在settings中設置DOWNLOADMAXSIZE，默認為1073741824 (1024MB=1G)，若不設置***的下載限制，設為0
- download_latency 只讀屬性，獲取請求的響應時間（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', headersheaders= headers)
- def parse(self, response):
- print('響應時間為：', response.meta['download_latency'])
- downloadfailon_dataloss 很少用到，詳情看這里
- referrer_policy 設置Referrer Policy
FormRequest
FormRequest 類為Request的子類，用于POST請求
這個類新增了一個參數(shù) formdata，其他參數(shù)與Request一樣，詳細可參考上面的講述
一般用法為:
- yield scrapy.FormRequest(url="http://www.example.com/post/action",
- formdata={'name': 'Zarten', 'age': '27'},
- callback=self.after_post)
責任編輯：龐桂玉
來源：
Python中文社區(qū)
