Python爬虫之scrapy构造并发送请求

395次阅读
没有评论

scrapy数据建模与请求

学习目标:
  • 应用 在scrapy项目中进行建模
  • 应用 构造Request对象,并发送请求
  • 应用 利用meta参数在不同的解析函数中传递数据

  • 1. 数据建模

    通常在做项目的过程中,在items.py中进行数据建模

    1.1 为什么建模

  • 定义item即提前规划好哪些字段需要抓,防止手误,因为定义好之后,在运行过程中,系统会自动检查
  • 配合注释一起可以清晰的知道要抓取哪些字段,没有定义的字段不能抓取,在目标字段少的时候可以使用字典代替
  • 使用scrapy的一些特定组件需要Item做支持,如scrapy的ImagesPipeline管道类,百度搜索了解更多
  • 1.2 如何建模

    在items.py文件中定义要提取的字段:

    class MyspiderItem(scrapy.Item): name = scrapy.Field() # 讲师的名字 title = scrapy.Field() # 讲师的职称 desc = scrapy.Field() # 讲师的介绍

    1.3 如何使用模板类

    模板类定义以后需要在爬虫中导入并且实例化,之后的使用方法和使用字典相同

    job.py:

    from myspider.items import MyspiderItem # 导入Item,注意路径 … def parse(self, response)

    item = MyspiderItem() # 实例化后可直接使用

    item['name'] = node.xpath('./h3/text()').extract_first() item['title'] = node.xpath('./h4/text()').extract_first() item['desc'] = node.xpath('./p/text()').extract_first()

    print(item)

    注意:

  • from myspider.items import MyspiderItem这一行代码中 注意item的正确导入路径,忽略pycharm标记的错误
  • python中的导入路径要诀:从哪里开始运行,就从哪里开始导入
  • 1.4 开发流程总结

  • 创建项目

    scrapy startproject 项目名

  • 明确目标

    在items.py文件中进行建模

  • 创建爬虫

    3.1 创建爬虫

    scrapy genspider 爬虫名 允许的域
    3.2 完成爬虫

    修改start_urls
    检查修改allowed_domains
    编写解析方法

  • 保存数据

    在pipelines.py文件中定义对数据处理的管道

    在settings.py文件中注册启用管道

  • 2. 翻页请求的思路

    对于要提取如下图中所有页面上的数据该怎么办?

    Python爬虫之scrapy构造并发送请求

    回顾requests模块是如何实现翻页请求的:

  • 找到下一页的URL地址
  • 调用requests.get(url)
  • scrapy实现翻页的思路:

  • 找到下一页的url地址
  • 构造url地址的请求对象,传递给引擎
  • 3. 构造Request对象,并发送请求

    3.1 实现方法

  • 确定url地址
  • 构造请求,scrapy.Request(url,callback)
    • callback:指定解析函数名称,表示该请求返回的响应使用哪一个函数进行解析
  • 把请求交给引擎:yield scrapy.Request(url,callback)
  • 3.2 网易招聘爬虫

    通过爬取网易招聘的页面的招聘信息,学习如何实现翻页请求

    地址:https://hr.163.com/position/list.do

    思路分析:
  • 获取首页的数据
  • 寻找下一页的地址,进行翻页,获取数据
  • 注意:
  • 可以在settings中设置ROBOTS协议
  • # False表示忽略网站的robots.txt协议,默认为True ROBOTSTXT_OBEY = False

  • 可以在settings中设置User-Agent:
  • # scrapy发送的每一个请求的默认UA都是设置的这个User-Agent USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'

    3.3 代码实现

    在爬虫文件的parse方法中:

    …… # 提取下一页的href next_url = response.xpath('//a[contains(text(),">")]/@href').extract_first()

    # 判断是否是最后一页 if next_url != 'javascript:void(0)':

    # 构造完整url url = 'https://hr.163.com/position/list.do' + next_url

    # 构造scrapy.Request对象,并yield给引擎 # 利用callback参数指定该Request对象之后获取的响应用哪个函数进行解析 yield scrapy.Request(url, callback=self.parse) ……

    3.4 scrapy.Request的更多参数

    scrapy.Request(url[,callback,method="GET",headers,body,cookies,meta,dont_filter=False])

    参数解释
  • 中括号里的参数为可选参数
  • callback:表示当前的url的响应交给哪个函数去处理
  • meta:实现数据在不同的解析函数中传递,meta默认带有部分数据,比如下载延迟,请求深度等
  • dont_filter:默认为False,会过滤请求的url地址,即请求过的url地址不会继续被请求,对需要重复请求的url地址可以把它设置为Ture,比如贴吧的翻页请求,页面的数据总是在变化;start_urls中的地址会被反复请求,否则程序不会启动
  • method:指定POST或GET请求
  • headers:接收一个字典,其中不包括cookies
  • cookies:接收一个字典,专门放置cookies
  • body:接收json字符串,为POST的数据,发送payload_post请求时使用(在下一章节中会介绍post请求)
  • 4. meta参数的使用

    meta的作用:meta可以实现数据在不同的解析函数中的传递

    在爬虫文件的parse方法中,提取详情页增加之前callback指定的parse_detail函数:

    def parse(self,response): … yield scrapy.Request(detail_url, callback=self.parse_detail,meta={"item":item}) …

    def parse_detail(self,response): #获取之前传入的item item = resposne.meta["item"]

    特别注意
  • meta参数是一个字典
  • meta字典中有一个固定的键proxy,表示代理ip,关于代理ip的使用我们将在scrapy的下载中间件的学习中进行介绍

  • 小结

  • 完善并使用Item数据类:
  • 在items.py中完善要爬取的字段
  • 在爬虫文件中先导入Item
  • 实力化Item对象后,像字典一样直接使用
  • 构造Request对象,并发送请求:
  • 导入scrapy.Request类
  • 在解析函数中提取url
  • yield scrapy.Request(url, callback=self.parse_detail, meta={})
  • 利用meta参数在不同的解析函数中传递数据:
  • 通过前一个解析函数 yield scrapy.Request(url, callback=self.xxx, meta={}) 来传递meta
  • 在self.xxx函数中 response.meta.get(‘key’, ‘’) 或 response.meta[‘key’] 的方式取出传递的数据

  • 参考代码

    wangyi/spiders/job.py

    import scrapy

    class JobSpider(scrapy.Spider): name = 'job' # 2.检查允许的域名 allowed_domains = ['163.com'] # 1 设置起始的url start_urls = ['https://hr.163.com/position/list.do']

    def parse(self, response): # 获取所有的职位节点列表 node_list = response.xpath('//*[@class="position-tb"]/tbody/tr') # print(len(node_list))

    # 遍历所有的职位节点列表 for num, node in enumerate(node_list): # 索引为值除2取余为0的才是含有数据的节点,通过判断进行筛选 if num % 2 == 0: item = {}

    item['name'] = node.xpath('./td[1]/a/text()').extract_first() item['link'] = node.xpath('./td[1]/a/@href').extract_first() item['depart'] = node.xpath('./td[2]/text()').extract_first() item['category'] = node.xpath('./td[3]/text()').extract_first() item['type'] = node.xpath('./td[4]/text()').extract_first() item['address'] = node.xpath('./td[5]/text()').extract_first() item['num'] = node.xpath('./td[6]/text()').extract_first().strip() item['date'] = node.xpath('./td[7]/text()').extract_first() yield item

    # 翻页处理 # 获取翻页url part_url = response.xpath('//a[contains(text(),">")]/@href').extract_first()

    # 判断是否为最后一页,如果不是最后一页则进行翻页操作 if part_url != 'javascript:void(0)': # 拼接完整翻页url next_url = 'https://hr.163.com/position/list.do' + part_url

    yield scrapy.Request( url=next_url, callback=self.parse )

    wangyi/items.py

    class WangyiItem(scrapy.Item): # define the fields for your item here like:

    name = scrapy.Field() link = scrapy.Field() depart = scrapy.Field() category = scrapy.Field() type = scrapy.Field() address = scrapy.Field() num = scrapy.Field() date = scrapy.Field()

    神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

    相关文章:

    版权声明:Python教程2022-10-25发表,共计4830字。
    新手QQ群:570568346,欢迎进群讨论 Python51学习