Scrapy:登陆+rules简要分析

爬了好多天,今天开始做模拟登陆:
其实,模拟登陆爬取思路很简单——>首先申请一个账户,然后将浏览器登陆的过程切换成自己手动请求登陆数据,登陆成功后,保持状态,爬取需要的链接数据。
根据我的理解,大致是这样的。
发送请求(包含登陆信息)->验证,返回响应数据->接受返回数据,成功则继续爬取,失败就找找问题。

在网上只找到这个,但是尝试了一下,还是没有成功

from scrapy.contrib.spiders.init import InitSpider
from scrapy.http import Request, FormRequest
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.contrib.spiders import Rule

class MySpider(InitSpider):
    name = 'myspider'
    allowed_domains = ['domain.com']
    login_page = 'http://www.domain.com/login'
    start_urls = ['http://www.domain.com/useful_page/',
                  'http://www.domain.com/another_useful_page/']

    rules = (
        Rule(SgmlLinkExtractor(allow=r'-\w+.html$'),
             callback='parse_item', follow=True),
    )

    def init_request(self):
        """This function is called before crawling starts."""
        return Request(url=self.login_page, callback=self.login)

    def login(self, response):
        """Generate a login request."""
        return FormRequest.from_response(response,
                    formdata={'name': 'herman', 'password': 'password'},
                    callback=self.check_login_response)

    def check_login_response(self, response):
        """Check the response returned by a login request to see if we are
        successfully logged in.
        """
        if "Hi Herman" in response.body:
            self.log("Successfully logged in. Let's start crawling!")
            # Now the crawling can begin..
            self.initialized()
        else:
            self.log("Bad times :(")
            # Something went wrong, we couldn't log in, so nothing happens.

    def parse_item(self, response):

        # Scrape data from page

话说一句,此代码摘自:
http://outofmemory.cn/code-snippet/16528/scrapy-again-to-code
http://www.sharejs.com/codes/python/8544
居然一模一样。。无语了已经,虽说千古文章一大抄把,好歹注名出处。

然后试着写了下,调试半天,终于可以成功。

class testSpier(CrawlSpider):
    name = 'abc'
    allowed_domains = ['abc.com']
    start_urls = ['http://www.abc.com']

    rules = (
        Rule(LinkExtractor(allow='abc', deny='detail'),),
        Rule(LinkExtractor(allow='id=',), callback='parse_item', follow = True),
    )

    def start_requests(self):
        return [Request("http://www.abc.com", callback = self.post_login)]

    def post_login(self, response):
        return [FormRequest.from_response(response,
                            formdata = {'username': 'abc', 'password': 'abc'},
                            callback = self.after_login,
                            dont_filter = True
                            )]

    def after_login(self, response) :
        for url in self.start_urls :
            yield self.make_requests_from_url(url)

    def parse_item(self,response):
    .............省略.................

注意几个问题:
一个是请求参数除了用户密码,还会有一个关键字或者说套接字、验证ID等等,需要在登陆页面找到隐藏的值,添加到请求数据里,比方说input里的_token;
一个是headers,有时候需要伪装头部;
一个是cookies,有时候需要cookies保持。


补充:
测试的时候,可以用FormRequest直接测试登陆,
但是写的时候要用先请求URL,再用response传递,这样能保持登陆状态。具体原因待考究。。
坑壁的

参考资料:
http://ju.outofmemory.cn/entry/105646
http://my.oschina.net/chengye/blog/124162?p=2#comments
http://www.tuicool.com/articles/3y6ba2

PS:此文仅供记录交流,不作他用。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值