欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Scrapy-Redis结合POST请求获取数据的方法示例

程序员文章站 2022-07-21 20:24:19
前言 通常我们在一个站站点进行采集的时候,如果是小站的话 我们使用scrapy本身就可以满足。 但是如果在面对一些比较大型的站点的时候,单个scrapy就显得力不从心了...

前言

通常我们在一个站站点进行采集的时候,如果是小站的话 我们使用scrapy本身就可以满足。

但是如果在面对一些比较大型的站点的时候,单个scrapy就显得力不从心了。

要是我们能够多个scrapy一起采集该多好啊 人多力量大。

很遗憾scrapy官方并不支持多个同时采集一个站点,虽然官方给出一个方法:

**将一个站点的分割成几部分 交给不同的scrapy去采集**

似乎是个解决办法,但是很麻烦诶!毕竟分割很麻烦的哇

下面就改轮到我们的额主角scrapy-redis登场了!

能看到这篇文章的小伙伴肯定已经知道什么是scrapy以及scrapy-redis了,基础概念这里就不再介绍。默认情况下scrapy-redis是发送get请求获取数据的,对于某些使用post请求的情况需要重写make_request_from_data函数即可,但奇怪的是居然没在网上搜到简洁明了的答案,或许是太简单了?。

这里我以httpbin.org这个网站为例,首先在settings.py中添加所需配置,这里需要根据实际情况进行修改:

scheduler = "scrapy_redis.scheduler.scheduler" #启用redis调度存储请求队列
scheduler_persist = true #不清除redis队列、这样可以暂停/恢复 爬取
dupefilter_class = "scrapy_redis.dupefilter.rfpdupefilter" #确保所有的爬虫通过redis去重
scheduler_queue_class = 'scrapy_redis.queue.spiderpriorityqueue'
redis_url = "redis://127.0.0.1:6379"

爬虫代码如下:

# -*- coding: utf-8 -*-
import scrapy
from scrapy_redis.spiders import redisspider


class hpbspider(redisspider):
 name = 'hpb'
 redis_key = 'test_post_data'

 def make_request_from_data(self, data):
  """returns a request instance from data coming from redis.
  by default, ``data`` is an encoded url. you can override this method to
  provide your own message decoding.
  parameters
  ----------
  data : bytes
   message from redis.
  """
  return scrapy.formrequest("https://www.httpbin.org/post",
         formdata={"data":data},callback=self.parse)

 def parse(self, response):
  print(response.body)

这里为了简单直接进行输出,真实使用时可以结合pipeline写数据库等。

然后启动爬虫程序scrapy crawl hpb,由于我们还没向test_post_data中写数据,所以启动后程序进入等待状态。然后模拟向队列写数据:

import redis
rd = redis.redis('127.0.0.1',port=6379,db=0)
for _ in range(1000):
 rd.lpush('test_post_data',_)

此时可以看到爬虫已经开始获取程序了:

2019-05-06 16:30:21 [hpb] debug: read 8 requests from 'test_post_data'
2019-05-06 16:30:21 [scrapy.core.engine] debug: crawled (200) <post > (referer: none)
2019-05-06 16:30:21 [scrapy.core.engine] debug: crawled (200) <post > (referer: none)
2019-05-06 16:30:21 [scrapy.core.engine] debug: crawled (200) <post > (referer: none)
2019-05-06 16:30:21 [scrapy.core.engine] debug: crawled (200) <post > (referer: none)
2019-05-06 16:30:21 [scrapy.core.engine] debug: crawled (200) <post > (referer: none)
2019-05-06 16:30:21 [scrapy.core.engine] debug: crawled (200) <post > (referer: none)
2019-05-06 16:30:21 [scrapy.core.engine] debug: crawled (200) <post > (referer: none)
2019-05-06 16:30:21 [scrapy.core.engine] debug: crawled (200) <post > (referer: none)
b'{\n  "args": {}, \n  "data": "", \n  "files": {}, \n  "form": {\n    "data": "0"\n  }, \n  "headers": {\n    "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", \n    "accept-encoding": "gzip,deflate", \n    "accept-language": "en", \n    "content-length": "6", \n    "content-type": "application/x-www-form-urlencoded", \n    "host": "", \n    "user-agent": "scrapy/1.5.1 (+https://scrapy.org)"\n  }, \n  "json": null, \n  "origin": "1.2.3.48, 1.2.3.48", \n  "url": "
b'{\n  "args": {}, \n  "data": "", \n  "files": {}, \n  "form": {\n    "data": "1"\n  }, \n  "headers": {\n    "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", \n    "accept-encoding": "gzip,deflate", \n    "accept-language": "en", \n    "content-length": "6", \n    "content-type": "application/x-www-form-urlencoded", \n    "host": "", \n    "user-agent": "scrapy/1.5.1 (+https://scrapy.org)"\n  }, \n  "json": null, \n  "origin": "1.2.3.48, 1.2.3.48", \n  "url": "
b'{\n  "args": {}, \n  "data": "", \n  "files": {}, \n  "form": {\n    "data": "3"\n  }, \n  "headers": {\n    "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", \n    "accept-encoding": "gzip,deflate", \n    "accept-language": "en", \n    "content-length": "6", \n    "content-type": "application/x-www-form-urlencoded", \n    "host": "", \n    "user-agent": "scrapy/1.5.1 (+https://scrapy.org)"\n  }, \n  "json": null, \n  "origin": "1.2.3.48, 1.2.3.48", \n  "url": "
b'{\n  "args": {}, \n  "data": "", \n  "files": {}, \n  "form": {\n    "data": "2"\n  }, \n  "headers": {\n    "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", \n    "accept-encoding": "gzip,deflate", \n    "accept-language": "en", \n    "content-length": "6", \n    "content-type": "application/x-www-form-urlencoded", \n    "host": "", \n    "user-agent": "scrapy/1.5.1 (+https://scrapy.org)"\n  }, \n  "json": null, \n  "origin": "1.2.3.48, 1.2.3.48", \n  "url": "
b'{\n  "args": {}, \n  "data": "", \n  "files": {}, \n  "form": {\n    "data": "4"\n  }, \n  "headers": {\n    "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", \n    "accept-encoding": "gzip,deflate", \n    "accept-language": "en", \n    "content-length": "6", \n    "content-type": "application/x-www-form-urlencoded", \n    "host": "", \n    "user-agent": "scrapy/1.5.1 (+https://scrapy.org)"\n  }, \n  "json": null, \n  "origin": "1.2.3.48, 1.2.3.48", \n  "url": "
b'{\n  "args": {}, \n  "data": "", \n  "files": {}, \n  "form": {\n    "data": "5"\n  }, \n  "headers": {\n    "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", \n    "accept-encoding": "gzip,deflate", \n    "accept-language": "en", \n    "content-length": "6", \n    "content-type": "application/x-www-form-urlencoded", \n    "host": "", \n    "user-agent": "scrapy/1.5.1 (+https://scrapy.org)"\n  }, \n  "json": null, \n  "origin": "1.2.3.48, 1.2.3.48", \n  "url": "
b'{\n  "args": {}, \n  "data": "", \n  "files": {}, \n  "form": {\n    "data": "6"\n  }, \n  "headers": {\n    "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", \n    "accept-encoding": "gzip,deflate", \n    "accept-language": "en", \n    "content-length": "6", \n    "content-type": "application/x-www-form-urlencoded", \n    "host": "", \n    "user-agent": "scrapy/1.5.1 (+https://scrapy.org)"\n  }, \n  "json": null, \n  "origin": "1.2.3.48, 1.2.3.48", \n  "url": "
b'{\n  "args": {}, \n  "data": "", \n  "files": {}, \n  "form": {\n    "data": "7"\n  }, \n  "headers": {\n    "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", \n    "accept-encoding": "gzip,deflate", \n    "accept-language": "en", \n    "content-length": "6", \n    "content-type": "application/x-www-form-urlencoded", \n    "host": "", \n    "user-agent": "scrapy/1.5.1 (+https://scrapy.org)"\n  }, \n  "json": null, \n  "origin": "1.2.3.48, 1.2.3.48", \n  "url": "
2019-05-06 16:31:09 [scrapy.extensions.logstats] info: crawled 1001 pages (at 280 pages/min), scraped 0 items (at 0 items/min)
2019-05-06 16:32:09 [scrapy.extensions.logstats] info: crawled 1001 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2019-05-06 16:33:09 [scrapy.extensions.logstats] info: crawled 1001 pages (at 0 pages/min), scraped 0 items (at 0 items/min)

至于数据重复的问题,如果post的数据重复,这个请求就不会发送出去。如果有特殊情况post发送同样的数据回得到不同返回值,添加dont_filter=true是没用的,在rfpdupefilter类中并没考虑这个参数,需要重写。

总结

以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对的支持。