scrapy（二）

请求与响应

请求

GET

• Request类
• 重要参数
  
  • url：目标url
  • callback：目标url对应的解析函数
  • meta：传参，，字典形式
  • headers：请求头，模拟伪装
  • dont_filter: 该请求是否被过滤器过滤
  • cookies：cookies参数
• meta传参原理
  
  • Scheduler（调度器）将requests请求实例，（此实例中含有meta参数）给了下载器，Downloader（下载器）请求对应url返回responses时，会将调度器传递的参数装在response中，给了Spider类，也就实现了传参。

POST

• FormRequest类
• 参数
  
  • 同post，新增：
  • formdata：表单参数（字典格式）
• 作用范围：
  
  • 模拟登陆
  • 发送post数据获取响应
• FormRequest的from_response()方法
• 参数
  
  • response
  • formdata：表单参数（字典格式）
  • callback
• 特性：
  
  • 自动获取表单并将表单数据提交
• 作用：
  
  • 填写表单数据

响应

• 产生位置
  
  • 下载器模块
  • 下载器中间件

CrawlSpider类

介绍

• 功能：自动提取链接并提交请求
• 与Spider类的区别
  
  • CrawlSpider主要使用规则（rules）来提取链接,并自动提交请求
  • CrawlSpider类不能重写parse，因为它在parse方法中实现了自动提交请求
    
    • 要重新定义方法parse_start_url处理起始url对应的响应
    • parse_start_url必须返回列表
• rules：
  
  • Rule对象的集合
  • 用来匹配目标网站并排除干扰
• Rule
  
  • 参数：
    
    • linkextractor：从响应中提取链接（重要）
    • callback：处理链接响应方法（可写可不写），字符串形式
    • follow：定义响应中提取链接是否要跟踪
    • process_links：对提取链接进行过滤
    • process_requests：对生成请求进行过滤
  • 链接提取器LinkExtractor
    
    • 作用：从响应中提取链接
    • 参数：
      
      • allow：满足该正则的链接将会被提取
      • deny：满足该正则的链接将不会被提取
      • allowed_domains：允许的域名
      • deny_domains：禁止的域名
      • restrict_xpaths：规定的xpath节点

# 创建链接提取器
le = LinkExtractor(allow=(),deny=())
# 提取链接
le.extract_links(response)

使用

• 创建爬虫
  
  • scrapy genspider -t crawl 爬虫名 域
• 与Spider类的区别
  
  • 1)导包
    
    • ①导入链接提取器：
      
      • from scrapy.linkextractors import Link Extractor
    • ②导入crawlspider类和Rule
      
      • from scrapy.spiders import CrawlSpider,Rule
  • 2) 类的继承使用CrawlSpider
  • 3) rules变量
  • 4)Parse方法不能重写
• CrawlSpider爬虫开发
  
  • 编写rule列表，创建Rule实例
    
    • 注：回调函数使用字符串
  • 编写回调函数

优缺点

• 优点
  
  • 适合整站爬取
  • 爬取效率高
• 缺点：
  
  • 无法通过meta进行参数传递

mongodb与数据入库

mongodb

• 见博客数据库

入库：

1.将数据库的参数写在settings文件中(参数名大写)

2.在管道中使用数据库参数连接数据库

3.在process_item方法中将数据写入数据库

练习：

spider与mongodb交互：github