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中的POST请求发送和递归爬取

程序员文章站 2023-01-14 20:36:58
POST请求发送 重写爬虫应用文件中继承Spider类的 类的里面的start_requests(self)这个方法 递归爬取 - 递归爬取解析多页页面数据 - 需求:将糗事百科所有页码的作者和段子内容数据进行爬取且持久化存储 - 需求分析:每一个页面对应一个url,则scrapy工程需要对每一个页 ......

post请求发送

重写爬虫应用文件中继承spider类的 类的里面的start_requests(self)这个方法

def start_requests(self):
    #请求的url
    post_url = 'http://fanyi.baidu.com/sug'
    # post请求参数
    formdata = {
        'kw': 'wolf',
    }
    # 发送post请求
    yield scrapy.formrequest(url=post_url, formdata=formdata, callback=self.parse)

递归爬取

- 递归爬取解析多页页面数据

  - 需求:将糗事百科所有页码的作者和段子内容数据进行爬取且持久化存储

  - 需求分析: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)

代码:

# -*- 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/']

    #爬取多页
    pagenum = 1 #起始页码
    url = 'https://www.qiushibaike.com/text/page/%s/' #每页的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到管道进行持久化

         #爬取所有页码数据
        if self.pagenum <= 13: #一共爬取13页(共13页)
            self.pagenum += 1
            url = format(self.url % self.pagenum)

            #递归爬取数据:callback参数的值为回调函数(将url请求后,得到的相应数据继续进行parse解析),递归调用parse函数
            yield scrapy.request(url=url,callback=self.parse)