Scrapy – 请求和响应

说明

Scrapy可以使用 请求 和 响应 对象抓取网站。请求对象通过系统，使用蜘蛛来执行请求，并在返回一个响应对象时回到请求。

请求对象

请求对象是一个产生响应的HTTP请求。It has the following class −

class scrapy.http.Request(url[, callback, method = 'GET', headers, body, cookies, meta,
   encoding = 'utf-8', priority = 0, dont_filter = False, errback])

下表显示了请求对象的参数。

传递额外的数据给回调函数

一个请求的回调函数在下载响应作为其第一个参数时被调用。

例如 –

def parse_page1(self, response): 
   return scrapy.Request("http://www.something.com/some_page.html", 
      callback = self.parse_page2)  

def parse_page2(self, response): 
   self.logger.info("%s page visited", response.url) 

你可以使用 Request.meta 属性，如果你想把参数传递给可调用的函数，并在第二个回调中接收这些参数，如下例所示

def parse_page1(self, response): 
   item = DemoItem() 
   item['foremost_link'] = response.url 
   request = scrapy.Request("http://www.something.com/some_page.html", 
      callback = self.parse_page2) 
   request.meta['item'] = item 
   return request  

def parse_page2(self, response): 
   item = response.meta['item'] 
   item['other_link'] = response.url 
   return item

使用errback来捕捉请求处理中的异常情况

errback是一个可调用的函数，当处理请求时出现异常时，可以调用该函数。

下面的例子说明了这一点 −

import scrapy  

from scrapy.spidermiddlewares.httperror import HttpError 
from twisted.internet.error import DNSLookupError 
from twisted.internet.error import TimeoutError, TCPTimedOutError  

class DemoSpider(scrapy.Spider): 
   name = "demo" 
   start_urls = [ 
      "http://www.httpbin.org/",              # HTTP 200 expected 
      "http://www.httpbin.org/status/404",    # Webpage not found  
      "http://www.httpbin.org/status/500",    # Internal server error 
      "http://www.httpbin.org:12345/",        # 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('Recieved response from {}'.format(response.url)) 
      # ...  

   def errback_httpbin(self, failure): 
      # logs failures 
      self.logger.error(repr(failure))  

      if failure.check(HttpError): 
         response = failure.value.response 
         self.logger.error("HttpError occurred on %s", response.url)  

      elif failure.check(DNSLookupError): 
         request = failure.request 
         self.logger.error("DNSLookupError occurred on %s", request.url) 

      elif failure.check(TimeoutError, TCPTimedOutError): 
         request = failure.request 
         self.logger.error("TimeoutError occurred on %s", request.url) 

Request.meta特殊键

request.meta特殊键是一个由Scrapy识别的特殊元键的列表。

下表显示了Request.meta的一些键值-

请求子类

你可以通过子类化请求类来实现你自己的自定义功能。内置的请求子类如下：

FormRequest对象

FormRequest类通过扩展基础请求来处理HTML表单。它有以下的类 –

class scrapy.http.FormRequest(url[,formdata, callback, method = 'GET', headers, body, 
   cookies, meta, encoding = 'utf-8', priority = 0, dont_filter = False, errback])

以下是参数 –

formdata - 它是一个拥有HTML表单数据的字典，被分配到请求的正文中。

注意 - 其余的参数与请求类相同，在 请求对象 部分有解释。

除了请求方法外， FormRequest 对象还支持以下类方法

classmethod from_response(response[, formname = None, formnumber = 0, formdata = None, 
   formxpath = None, formcss = None, clickdata = None, dont_click = False, ...])

下表显示了上述类别的参数：

例子

下面是一些请求使用的例子

使用FormRequest通过HTTP POST发送数据

下面的代码演示了当你想在你的spider中复制HTML表单POST时，如何返回 FormRequest 对象。

return [FormRequest(url = "http://www.something.com/post/action", 
   formdata = {'firstname': 'John', 'lastname': 'dave'}, 
   callback = self.after_post)]

使用FormRequest.from_response()来模拟用户登录

通常情况下，网站使用元素，通过这些元素提供预填充的表单字段。

当你想在搜刮时自动填充这些字段时，可以使用 FormRequest.form_response() 方法。

下面的例子演示了这一点。

import scrapy  
class DemoSpider(scrapy.Spider): 
   name = 'demo' 
   start_urls = ['http://www.something.com/users/login.php']  
   def parse(self, response): 
      return scrapy.FormRequest.from_response( 
         response, 
         formdata = {'username': 'admin', 'password': 'confidential'}, 
         callback = self.after_login 
      )  

   def after_login(self, response): 
      if "authentication failed" in response.body: 
         self.logger.error("Login failed") 
         return  
      # You can continue scraping here

响应对象

它是一个表示HTTP响应的对象，被送至蜘蛛处理。它有以下类别 −

class scrapy.http.Response(url[, status = 200, headers, body, flags])

下表显示了响应对象的参数。

响应子类

你可以通过子类化响应类来实现你自己的自定义功能。内置的响应子类如下。

TextResponse对象

TextResponse对象用于二进制数据，如图像、声音等，它具有对基础Response类进行编码的能力。It has the following class −

class scrapy.http.TextResponse(url[, encoding[,status = 200, headers, body, flags]])

以下是参数 –

encoding - 它是一个带有编码的字符串，用于对响应进行编码。

注意 - 其余的参数与响应类相同，在 响应对象 部分有解释。

下表显示了TextResponse对象在响应方法之外支持的属性-

下表显示了 TextResponse 对象在 响应 方法之外支持的方法-

HtmlResponse对象

它是一个支持编码的对象，通过查看HTML的 meta httpequiv 属性来自动发现。它的参数与响应类相同，在响应对象部分有解释。它有以下的类 –

class scrapy.http.HtmlResponse(url[,status = 200, headers, body, flags])

XmlResponse对象

它是一个支持编码和通过查看XML行来自动发现的对象。它的参数与响应类相同，在响应对象部分有解释。它有以下的类 –

class scrapy.http.XmlResponse(url[, status = 200, headers, body, flags])