Scrapy的Request和Response详解

上节课我们学习了中间件，知道了怎么通过中间件执行反反爬策略。本节课主要介绍Scrapy框架的request对象和response对象

通常，Request对象在爬虫程序中生成并传递到系统，直到它们到达下载程序，后者执行请求并返回一个Response对象，该对象返回到发出请求的爬虫程序

Request类和Response类都有一些子类，子类用来添加基类中不必要的功能。这些在下面的请求子类和响应子类中描述 

Request对象

一个Request对象表示一个HTTP请求，它通常是在爬虫中生成，并由下载器执行，从而返回Response

基础参数 ：

url——请求的url

callback——请求回来的reseponse处理函数，也叫回调函数

meta——用来在“页面”之间传递数据

• meta是一个dict，主要用来在解析函数之间传递值
• 比如：在parse() 给item某些字段提取了值，并且提取出了一个新的URL，item另外一些字段需要在这个新的URL的response里面提取，为此定义一个parse_item()解析函数用于处理这个response。在用request发送这个新的URL请求的时候，使用parse_item()作为回调函数，并使用meta传递原来已经提取的item字段给parse_item()里的response
• Request对象接受一个meta参数，一个字典对象，同时Response对象有一个meta属性可以取到相应request传过来的meta
• 一旦此参数被设置， 通过参数传递的字典将会被浅拷贝

headers——页面的headers数据

cookies——设置页面的cookies

基础高级参数

encoding——请求的转换编码

priority——链接优先级

• 优先级越高，越优先爬取，但不可以序列化
• 序列化 (Serialization)：将对象的状态信息转换为可以存储或传输的形式的过程。在序列化期间，对象将其当前状态写入到临时或持久性存储区。以后，可以通过从存储区中读取或反序列化对象的状态，重新创建该对象

dont_filter——强制不过滤 
scrapy会对request的URL去重，加上dont_filter则告诉它这个URL不参与去重

errback——错误回掉 
errback更适合用于检查记录请求产生的错误，但是不适合请求的重试

Request对象方法

copy()：复制一个一模一样的对象 
replace()：对对象参数进行替换

Request.meta 一些特殊的keys

• dont_redirect：如果 Request.meta 包含 dont_redirect 键，则该request将会被RedirectMiddleware忽略
• dont_retry：如果 Request.meta 包含 dont_retry 键， 该request将会被RetryMiddleware忽略
• handle_httpstatus_list：Request.meta 中的 handle_httpstatus_list 键可以用来指定每个request所允许的response code
• handle_httpstatus_all：handle_httpstatus_all为True ，可以允许请求的任何响应代码
• dont_merge_cookies：Request.meta 中的dont_merge_cookies设为TRUE，可以避免与现有cookie合并
• cookiejar：Scrapy通过使用 Request.meta中的cookiejar 来支持单spider追踪多cookie session。 默认情况下其使用一个cookie jar(session)，不过可以传递一个标示符来使用多个
• dont_cache：可以避免使用dont_cache元键等于True缓存每个策略的响应
• redirect_urls：通过该中间件的(被重定向的)request的url可以通过 Request.meta 的 redirect_urls 键找到
• bindaddress：用于执行请求的传出IP地址的IP
• dont_obey_robotstxt：如果Request.meta将dont_obey_robotstxt键设置为True，则即使启用ROBOTSTXT_OBEY，RobotsTxtMiddleware也会忽略该请求
• download_timeout：下载器在超时之前等待的时间（以秒为单位）
• download_maxsize：爬取URL的最大长度
• download_latency：自请求已经开始，即通过网络发送的HTTP消息，用于获取响应的时间量 
  该元密钥仅在下载响应时才可用。虽然大多数其他元键用于控制Scrapy行为，但是这个应用程序应该是只读的
• download_fail_on_dataloss：是否在故障响应失败
• proxy：可以将代理每个请求设置为像http：// some_proxy_server：port这样的值
• ftp_user ：用于FTP连接的用户名
• ftp_password ：用于FTP连接的密码
• referrer_policy：为每个请求设置referrer_policy
• max_retry_times：用于每个请求的重试次数。初始化时，max_retry_times元键比RETRY_TIMES设置更高优先级

Response对象

基础参数

url——请求的url 
body——请求回来的html 
meta——用来在“页面”之间传递数据 
headers——页面的headers数据 
cookies——设置页面的cookies 
Request——发出这个response的request对象

Response对象方法

copy()：同request 
replace()：同request 
urljoin()：由于将页面相对路径改为绝对路径 
follow()：对相对路径进行自动补全

urljoin()实例：

import scrapy

class QuotesSpider(scrapy.Spider):

name = "quotes"

start_urls = [

'http://quotes.toscrape.com/page/1/',

]

def parse(self, response):

#使用css选择器，提取出三个元素的目录的SelectorList

for quote in response.css('div.quote'):

yield {

#使用css选择器，提取出text元素,并把它转换成字符串

'text': quote.css('span.text::text').extract_first(),

#使用css选择器，提取出author元素,并把它转换成字符串

'author': quote.css('small.author::text').extract_first(),

#使用css选择器，提取出tags元素,并把它转换成List

'tags': quote.css('div.tags a.tag::text').extract(),

}

#使用css选择器，提取出href元素,并把它转换成字符串

next_page = response.css('li.next a::attr(href)').extract_first()#取出相对路径

if next_page is not None:

next_page = response.urljoin(next_page) #页面相对路径改为绝对路径

yield scrapy.Request(next_page, callback=self.parse)

follow()实例：

import scrapy

class QuotesSpider(scrapy.Spider):

name = "quotes"

start_urls = [

'http://quotes.toscrape.com/page/1/',

]

def parse(self, response):

for quote in response.css('div.quote'):

yield {

'text': quote.css('span.text::text').extract_first(),

'author': quote.css('span small::text').extract_first(),

'tags': quote.css('div.tags a.tag::text').extract(),

}

next_page = response.css('li.next a::attr(href)').extract_first()

if next_page is not None:

yield response.follow(next_page, callback=self.parse) #返回一个请求实例来跟踪一个链接url

Request、Response实例演示

本节课演示使用的依旧是上节课的58同城（city58）的例子 ： 
city58_test.py：本例中演示了response的follow函数中相对路径转化为绝对路径，并且比较了request中各个参数的异同

# -*- coding: utf-8 -*-

import scrapy

from pyquery import PyQuery

from ..items import City58Item

from scrapy.http import Request

class City58TestSpider(scrapy.Spider):

name = 'city58_test'

allowed_domains = ['58.com']

start_urls = ['http://bj.58.com/chuzu/',

# 'http://bj.58.com/chuzu/pn2/'

]

def parse(self, response):

jpy = PyQuery(response.text)

li_list = jpy('body > div.mainbox > div.main > div.content > div.listBox > ul > li').items()

for it in li_list:

a_tag = it('div.des > h2 > a')

item = City58Item()

item['name'] = a_tag.text()

item['url'] = a_tag.attr('href')

item['price'] = it('div.listliright > div.money > b').text()

test_request = response.follow('/chuzu/pn2/', callback=self.parse) #使用response.follow方法把“/chuzu/pn2/”这个相对路径转换为绝对路径，并回调parse()函数

test_request2 = Request('http://bj.58.com/chuzu/pn3/',

callback=self.parse,

errback=self.error_back, #调用异常函数

cookies={}, #cookie设为空

headers={}, #headers设为空

priority=10

)

test_request3 = Request('http://58.com',

callback=self.parse,

errback=self.error_back, #调用异常函数

priority=10, #优先级设为10

meta={'dont_redirect': True} #不用重定向

)

test_request4 = Request('http://58.com',

callback=self.parse,

errback=self.error_back,

priority=10,

# meta={'dont_redirect': True}

dont_filter=True #对url不过滤

)

yield item

yield test_request

yield test_request2

yield test_request3

yield test_request4

def error_back(self, e):

_ = self

print(e) #打印异常信息

课后作业：实现58同城的翻页以及详情页的爬取

items.py：定义要爬取的内容

import scrapy

class City58Item(scrapy.Item):

name = scrapy.Field()

price = scrapy.Field()

url = scrapy.Field()

introduce_item = scrapy.Field()

address = scrapy.Field()

phone_number = scrapy.Field()

city58_test.py：实现58同城的翻页以及详情页的爬取

# -*- coding: utf-8 -*-

import scrapy

from pyquery import PyQuery

from ..items import City58Item

from scrapy.http import Request

class City58TestSpider(scrapy.Spider):

name = 'city58_test'

allowed_domains = ['58.com']

start_urls = ['http://bj.58.com/chuzu/']

def parse(self, response):

jpy = PyQuery(response.text)

li_list = jpy('body > div.mainbox > div.main > div.content > div.listBox > ul > li').items()

for it in li_list:

a_tag = it('div.des > h2 > a')

item = City58Item()

item['name'] = a_tag.text()

item['url'] = a_tag.attr('href')

item['price'] = it('div.listliright > div.money > b').text()

if item['url']: #判断url是否为空

yield Request(item['url'],

callback = self.detail_parse,

meta = {'item':item} , #使用meta参数，把item传给detail_parse()

priority = 10 , #优先级设为10

dont_filter=True #强制不过滤)

)

url = jpy('#bottom_ad_li > div.pager > a.next').attr('href') #提取翻页链接

test_request = Request(url,

callback=self.parse,

priority=10,

# meta={'dont_redirect': True}

dont_filter=True # 对url不过滤

)

yield test_request #实现翻页

def detail_parse(self,response):

jpy = PyQuery(response.text)

item = response.meta['item'] #接收item

item['introduce_item'] = jpy('body > div.main-wrap > div.house-detail-desc > div.main-detail-info.fl > div.house-word-introduce.f16.c_555 > ul > li:nth-child(1) > span.a2').text() #提取房屋亮点

item['address'] = jpy('body > div.main-wrap > div.house-basic-info > div.house-basic-right.fr > div.house-basic-desc > div.house-desc-item.fl.c_333 > ul > li:nth-child(6) > span.dz').text() #房屋详情地址

item['phone_number'] = jpy('body > div.main-wrap > div.house-basic-info > div.house-basic-right.fr > div.house-fraud-tip > div.house-chat-phone > span').text() #电话号码

return item

pipeline.py：与以前的例子相同，写入文件

import json

class City58Pipeline(object):

def open_spider(self,spider):

self.file = open('58_chuzu.txt', 'w' , encoding='utf8')

print('打开文件了')

def process_item(self, item, spider):

line = '{}\n'.format(json.dumps(dict(item),ensure_ascii = False))

self.file.write(line)

return item

def close_spider(self, spider):

self.file.close()

print('关闭文件了')

补充资料

使用FormRequest.from_response()方法模拟用户登录：

FormRequest类扩展了基本请求，具有处理HTML表单的功能。它使用lxml.html表单从表单数据预先填充表单域从响应对象

除了标准的Request方法之外，FormRequest对象还支持以下类方法：

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

返回一个新的FormRequest对象，其表单字段值预先填充在给定响应中包含的HTML <form>元素中

该policy是默认情况下自动模拟任何可以点击的表单控件，如 < input type =“submit” >。即使这是非常方便的，通常是期望的行为，有时它可能会导致难以调试的问题。例如，使用javascript填充和/或提交的表单时，默认的from_response（）行为可能不是最合适的。要禁用此行为，您可以将dont_click参数设置为True。另外，如果要更改点击的控件（而不是禁用它），还可以使用clickdata参数

import scrapy

class LoginSpider(scrapy.Spider):

name = 'example.com'

start_urls = ['http://www.example.com/users/login.php']

def parse(self, response):

return scrapy.FormRequest.from_response(

response,

formdata={'username': 'john', 'password': 'secret'}, #预先填好的账号密码

callback=self.after_login

)

def after_login(self, response):

# check login succeed before going on

if "authentication failed" in response.body:

self.logger.error("Login failed")

return