请求和响应
Scrapy的Request
和Response
对象用于爬网网站。
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。
爬虫->Request:创建
Request->Response:获取下载数据
Response->爬虫:数据
两个类Request和Response类都有一些子类,它们添加基类中不需要的功能。这些在下面的请求子类和 响应子类中描述。
class scrapy.http.Request(url[, callback, method='GET', headers, body, cookies, meta,
encoding='utf-8', priority=0, dont_filter=False, errback])
一个Request对象表示一个HTTP请求,它通常是在爬虫生成,并由下载执行,从而生成Response。
常用参数:
url(string)
- 此请求的网址callback(callable)
- 将使用此请求的响应(一旦下载)作为其第一个参数调用的函数。有关更多信息,请参阅下面的将附加数据传递给回调函数。如果请求没有指定回调,parse()
将使用spider的 方法。请注意,如果在处理期间引发异常,则会调用errback。method(string)
- 此请求的HTTP方法。默认为’GET’。meta(dict)
- 属性的初始值Request.meta
。如果给定,在此参数中传递的dict将被浅复制。headers(dict)
- 这个请求的头。dict值可以是字符串(对于单值标头)或列表(对于多值标头)。如果 None作为值传递,则不会发送HTTP头。body(str或unicode)
- 请求体。如果unicode传递了a,那么它被编码为 str使用传递的编码(默认为utf-8)。如果 body没有给出,则存储一个空字符串。不管这个参数的类型,存储的最终值将是一个str(不会是unicode或None)。cookie(dict或list)
- 请求cookie。这些可以以两种形式发送。dont_filter(boolean)
- 表示此请求不应由调度程序过滤。当您想要多次执行相同的请求时忽略重复过滤器时使用。小心使用它,或者你会进入爬行循环。默认为False。priority(int)
- 此请求的优先级(默认为0)。调度器使用优先级来定义用于处理请求的顺序。具有较高优先级值的请求将较早执行。允许负值以指示相对低优先级。encoding(string)
- 此请求的编码(默认为’utf-8’)。此编码将用于对URL进行百分比编码,并将正文转换为str(如果给定unicode)。
Request中meta参数的作用是传递信息给下一个函数,使用过程可以理解成:
把需要传递的信息赋值给这个叫meta的变量,
但meta只接受字典类型的赋值,因此
要把待传递的信息改成“字典”的形式,即:
meta={'key1':value1,'key2':value2}
如果想在下一个函数中取出value1,
只需得到上一个函数的meta['key1']即可,
因为meta是随着Request产生时传递的,
下一个函数得到的Response对象中就会有meta,
即response.meta,
取value1则是value1=response.meta['key1']
class example(scrapy.Spider):
name='example'
allowed_domains=['example.com']
start_urls=['http://www.example.com']
def parse(self,response):
#从start_urls中分析出的一个网址赋值给url
url=response.xpath('.......').extract()
#ExamleClass是在items.py中定义的,下面会写出。
"""记住item本身是一个字典"""
item=ExampleClass()
item['name']=response.xpath('.......').extract()
item['htmlurl']=response.xpath('.......').extract()
"""通过meta参数,把item这个字典,赋值给meta中的'key'键(记住meta本身也是一个字典)。
Scrapy.Request请求url后生成一个"Request对象",这个meta字典(含有键值'key','key'的值也是一个字典,即item)
会被“放”在"Request对象"里一起发送给parse2()函数 """
yield Request(url,meta={'key':item},callback='parse2')
def parse2(self,response):
item=response.meta['key']
"""这个response已含有上述meta字典,此句将这个字典赋值给item,
完成信息传递。这个item已经和parse中的item一样了"""
item['text']=response.xpath('.......').extract()
#item共三个键值,到这里全部添加完毕了
yield item
meta是浅复制,必要时需要深复制。
import copy
meta={'key':copy.deepcopy('value')}
meta是一个dict,主要是用解析函数之间传递值,一种常见的情况:在parse中给item某些字段提取了值,但是另外一些值需要在parse_item中提取,这时候需要将parse中的item传到parse_item方法中处理,显然无法直接给parse_item设置而外参数。 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。所以解决上述问题可以这样做:
def parse(self, response):
# item = ItemClass()
yield Request(url, meta={'item': item}, callback=self.parse_item)
def parse(self, response):
item = response.meta['item']
item['field'] = value
yield item
request和response之间如何传参
有些时候需要将两个页面的内容合并到一个item里面,这时候就需要在yield scrapy.Request的同时,传递一些参数到一下页面中。这时候可以这样操作。
request=scrapy.Request(houseurl,method='GET',callback=self.showhousedetail)
request.meta['biid']=biid
yield request
def showhousedetail(self,response):
house=HouseItem()
house['bulidingid']=response.meta['biid']
Items
爬取的主要目标就是从非结构性的数据源提取结构性数据,例如网页。 Scrapy spider可以以python的dict来返回提取的数据.虽然dict很方便,并且用起来也熟悉,但是其缺少结构性,容易打错字段的名字或者返回不一致的数据,尤其在具有多个spider的大项目中。。
为了定义常用的输出数据,Scrapy提供了Item 类
。 Item 对象是种简单的容器,保存了爬取到得数据。 其提供了 类似于词典(dictionary-like)
的API以及用于声明可用字段的简单语法。
声明Item
Item使用简单的class定义语法以及 Field 对象来声明。例如:
import scrapy
class Product(scrapy.Item):
name = scrapy.Field()
price = scrapy.Field()
stock = scrapy.Field()
last_updated = scrapy.Field(serializer=str)
Item Pipeline
当Item在Spider中被收集之后,它将会被传递到Item Pipeline,一些组件会按照一定的顺序执行对Item的处理。
每个item pipeline组件(有时称之为“Item Pipeline”)是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为,同时也决定此Item是否继续通过pipeline,或是被丢弃而不再进行处理。
编写你自己的item pipeline
编写你自己的item pipeline很简单,每个item pipiline组件是一个独立的Python类,同时必须实现以下方法:
pipeline区分传来Items
各个页面都会封装items并将item传递给pipelines来处理,而pipelines接收的入口只有一个就是
def process_item(self, item, spider)函数
spider
对应相应的爬虫,调用spider.name
也可区分来自不同爬虫的item
def process_item(self, item, spider):
if str(type(item))=="<class 'rishome.items.RishomeItem'>":
self.saverishome(item)
if str(type(item))=="<class 'rishome.items.BulidingItem'>":
self.savebuliding(item)
if str(type(item))=="<class 'rishome.items.HouseItem'>":
self.savehouse(item)
return item # 必须实现返回
spider
对应相应的爬虫,调用spider.name
也可区分来自不同爬虫的item
def process_item(self, item, spider):
if spider.name == "XXXX":
pass
启用一个Item Pipeline组件
为了启用一个Item Pipeline组件,你必须将它的类添加到ITEM_PIPELINES
配置,就像下面这个例子:
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300,
'myproject.pipelines.JsonWriterPipeline': 800,
}
分配给每个类的整型值,确定了他们运行的顺序,item按数字从低到高的顺序,通过pipeline,通常将这些数字定义在0-1000范围内。
下载及处理文件和图片
Scrapy为下载item中包含的文件(比如在爬取到产品时,同时也想保存对应的图片)提供了一个可重用的item pipelines
. 这些pipeline有些共同的方法和结构(我们称之为media pipeline)。一般来说你会使用Files Pipeline
或者 Images Pipeline
.
使用Files Pipeline
当使用 FilesPipeline
,典型的工作流程如下所示:
-
在一个爬虫里,你抓取一个项目,把其中图片的URL放入
file_urls
组内。 -
项目从爬虫内返回,进入项目管道。
-
当项目进入 FilesPipeline,
file_urls
组内的URLs将被Scrapy的调度器和下载器(这意味着调度器和下载器的中间件可以复用)安排下载,当优先级更高,会在其他页面被抓取前处理。项目会在这个特定的管道阶段保持“locker”的状态,直到完成文件的下载(或者由于某些原因未完成下载)。 -
当文件下载完后,另一个字段(
files
)将被更新到结构中。这个组将包含一个字典列表,其中包括下载文件的信息,比如下载路径、源抓取地址(从file_urls
组获得)和图片的校验码(checksum)。files
列表中的文件顺序将和源file_urls
组保持一致。如果某个图片下载失败,将会记录下错误信息,图片也不会出现在 files 组中。import scrapy class MyItem(scrapy.Item): # ... other item fields ... image_urls = scrapy.Field() images = scrapy.Field()
-
在配置文件
settings.py
中配置FILES_STORE
,这个配置用来设置文件下载下来的路径。 -
启动pipeline,
对于 Files Pipeline, 使用:ITEM_PIPELINES = {'scrapy.pipeline.files.FilesPipeline': 1}
对于 Images Pipeline, 使用:
ITEM_PIPELINES = {'scrapy.pipeline.images.ImagesPipeline': 1}
接着
IMAGES_STORE
设置为一个有效的文件夹,用来存储下载的图片。 否则管道将保持禁用状态,即使你在ITEM_PIPELINES
设置中添加了它。
对于Files Pipeline, 设置FILES_STORE
FILES_STORE = '/path/to/valid/dir'
对于Images Pipeline, 设置
IMAGES_STORE
IMAGES_STORE = '/path/to/valid/dir'
其中:
<IMAGES_STORE>
是定义在IMAGES_STORE
设置里的文件夹full
是用来区分图片和缩略图(如果使用的话)的一个子文件夹。详情参见 针对图片生成缩略图.
1 传统的Scrapy框架图片下载方式
-
创建项目:
-
改写
settings.py
-
不遵守robots协议
# Obey robots.txt rules ROBOTSTXT_OBEY = False
-
设置请求头
# Override the default request headers: DEFAULT_REQUEST_HEADERS = { 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language': 'en', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36' }
- 开启pipelines
ITEM_PIPELINES = { 'bmw.pipelines.BmwPipeline': 300, }
-
-
改写
items.py
import scrapy class BmwItem(scrapy.Item): category = scrapy.Field() image_urls = scrapy.Field() images = scrapy.Field()
-
改写
bmw5.py
# -*- coding: utf-8 -*- import scrapy from bmw.items import BmwItem class Bmw5Spider(scrapy.Spider): name = 'bmw5' allowed_domains = ['car.autohome.com.cn'] start_urls = ['https://car.autohome.com.cn/pic/series/65.html'] def parse(self, response): # SelectorList -> list uiboxs = response.xpath("//div[@class='uibox']")[1:] for uibox in uiboxs: category = uibox.xpath(".//div[@class='uibox-title']/a/text()").get() urls = uibox.xpath(".//ul/li/a/img/@src").getall() # for url in urls: # url = response.urljoin(url) # print(url) urls = list(map(lambda url:response.urljoin(url),urls)) item = BmwItem(category=category,image_urls=urls) yield item
-
改写
pipelines.py
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html import os from urllib import request #导入两个库 from scrapy.pipelines.images import ImagesPipeline from bmw import settings class BmwPipeline(object): def __init__(self): self.path = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'images') if not os.path.exists(self.path): os.mkdir(self.path) def process_item(self, item, spider): category = item['category'] urls = item['urls'] category_path = os.path.join(self.path,category) if not os.path.exists(category_path): os.mkdir(category_path) for url in urls: image_name = url.split('_')[-1] request.urlretrieve(url,os.path.join(category_path,image_name)) return item
-
测试py
from scrapy import cmdline cmdline.execute('scrapy crawl bmw5'.split())
Scrapy框架提供了两个中间件、下载文件的Files pipeline
和下载图片的Image pipeline
下载文件的Files pipeline
使用步骤:
-
定义好一个
item
,然后定义两个属性file_urls
和files
, file_urls是用来存储需要下载的文件的url链接,列表类型 -
当文件下载完成后,会把文件下载的相关信息存储到
item
的files
属性中。例如:下载路径,下载url 和文件的效验码 -
再配置文件
settings.py
中配置FILES_STORE
,指定文件下载路径 -
启动pipeline,在
ITEM_PIPELINES
中设置scrapy.pipelines.files.FilesPipeline :1
下载图片的Images Pipeline
使用步骤:
-
定义好一个item,然后定义两个属性
image_urls
和images
,image_urls
是用来存储需要下载的文件的url链接,列表类型 -
当文件下载完成后,会把文件下载的相关信息存储到
item
的images
属性中。例如:下载路径,下载url 和文件的效验码 -
再配置文件settings.py中配置
IMAGES_STORE
,指定文件下载路径 -
启动pipeline,在
ITEM_PIPELINES
中设置scrapy.pipelines.images.ImagesPipeline :1
使用Images_pipeline进行图片下载(还是以汽车之家图片为例)
-
改写
settings.py
开启自己定义的中间件ITEM_PIPELINES = { # 'bmw.pipelines.BmwPipeline': 300, #不分组情况下使用的pipeline 'scrapy.pipelines.images.ImagesPipeline': 1 }
配置
IMAGES_STORE
,指定文件下载路径# 图片下载的路径,供images pipelines使用 IMAGES_STORE = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'images')
-
改写
pipelines.py
import os from urllib import request #导入两个库 from scrapy.pipelines.images import ImagesPipeline from bmw import settings class BmwPipeline(object): def __init__(self): self.path = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'images') if not os.path.exists(self.path): os.mkdir(self.path) def process_item(self, item, spider): category = item['category'] urls = item['urls'] category_path = os.path.join(self.path,category) if not os.path.exists(category_path): os.mkdir(category_path) for url in urls: image_name = url.split('_')[-1] request.urlretrieve(url,os.path.join(category_path,image_name)) return item
以这种方法下载的图片,默认下载到full
文件下,能够根据获取的信息将图片进行分类。
优化上述的方法
-
改写
pipelines.py
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html import os from urllib import request #导入ImagesPipeline from scrapy.pipelines.images import ImagesPipeline #导入settings 引用参数settings.IMAGES_STORE from bmw import settings class BmwPipeline(object): def __init__(self): self.path = os.path.join(os.path.dirname(os.path.dirname(__file__)), 'images') if not os.path.exists(self.path): os.mkdir(self.path) def process_item(self, item, spider): category = item['category'] urls = item['urls'] category_path = os.path.join(self.path,category) if not os.path.exists(category_path): os.mkdir(category_path) for url in urls: image_name = url.split('_')[-1] request.urlretrieve(url,os.path.join(category_path,image_name)) return item #发送下载图片的请求 ''' def get_media_requests(self, item, info): return [Request(x) for x in item.get(self.images_urls_field, [])] ''' # 更改路径,自定义类 继承ImagesPipeline class BMWImagesPipeline(ImagesPipeline): def get_media_requests(self, item, info): # 这个方法是在发送下载请求之前调用。 # 其实这个方法本身就是去发送下载请求的 #调用父类的get_media_requests() 方法 request_objs = super(BMWImagesPipeline, self).get_media_requests(item,info) for request_obj in request_objs: request_obj.item = item return request_objs #重写file_path 方法 def file_path(self, request, response=None, info=None): # 这个方法是在图片将要被存储的时候调用,来获取这个图片存储的路径 path = super(BMWImagesPipeline, self).file_path(request,response,info) # path = 'full/%s.jpg' 默认存储的文件路径 category = request.item.get('category') #得到分类 images_store = settings.IMAGES_STORE #存储的文件路径 category_path = os.path.join(images_store,category) #分类存储的文件路径 #文件夹是否存在,不存在建立相应分类的文件夹 if not os.path.exists(category_path): os.mkdir(category_path) #得到文件的名字 image_name = path.replace("full/","") #文件的绝对路径 image_path = os.path.join(category_path,image_name) return image_path
-
改写
settings.py
ITEM_PIPELINES = { # 'bmw.pipelines.BmwPipeline': 300, #不分组情况下使用的pipeline #'scrapy.pipelines.images.ImagesPipeline': 1 #分组情况下使用自己定义的pipeline 'bmw.pipelines.BMWImagesPipeline': 1 }
在自定义ImagePipeline代码中,作为重要的是要重载get_media_requests(self, item, info)
和item_completed(self, results, item, info)
这两个函数。
def file_path(self, request, response=None, info=None):
image_guid = hashlib.sha1(to_bytes(request.url)).hexdigest()
return 'full/%s.jpg' % (image_guid)
def get_media_requests(self, item, info):
return [Request(x) for x in item.get(self.images_urls_field, [])]
#Request返回中 何以传入其它的参数,例如参数含有meta,
def item_completed(self, results, item, info):
if isinstance(item, dict) or self.images_result_field in item.fields:
item[self.images_result_field] = [x for ok, x in results if ok]
return item
get_media_requests()
。它的第一个参数item是爬取生成的Item对象。我们将它的url字段取出来,然后直接生成Request对象。此Request加入到调度队列,等待被调度,执行下载。file_path()
。它的第一个参数request就是当前下载对应的Request对象。这个方法用来返回保存的文件名,直接将图片链接的最后一部分当作文件名即可。它利用split()函数分割链接并提取最后一部分,返回结果。这样此图片下载之后保存的名称就是该函数返回的文件名。item_completed()
,它是当单个Item完成下载时的处理方法。因为并不是每张图片都会下载成功,所以我们需要分析下载结果并剔除下载失败的图片。如果某张图片下载失败,那么我们就不需保存此Item到数据库。该方法的第一个参数results就是该Item对应的下载结果,它是一个列表形式,列表每一个元素是一个元组,其中包含了下载成功或失败的信息。这里我们遍历下载结果找出所有成功的下载列表。如果列表为空,那么该Item对应的图片下载失败,随即抛出异常DropItem,该Item忽略。否则返回该Item,说明此Item有效。
get_media_requests用于解析item
中image_urls
中指定的url进行爬取,可以通过get_media_requests
为每个url生成一个Request。如:
class ImagePipeline(ImagesPipeline):
def get_media_requests(self, item, info):
for image_url in item['image_urls']:
yield scrapy.Request(image_url, meta={"image_name": item['image_name']})
def file_path(self, request, response=None, info=None):
file_name = request.meta['image_name'].strip().replace('\r\n\t\t', r'') + ".jpg"
file_name=file_name.replace('/','_')
return file_name