网络爬虫框架Scrapy详解之Request 有问题随时call

网络爬虫框架Scrapy详解之Request

介绍

Request类是一个http请求的类，对于爬虫而言是一个很重要的类。通常在Spider中创建这样的一个请求，在Downloader中执行这样的一个请求。同时也有一个子类FormRequest继承于它，用于post请求。
在Spider中通常用法：yield scrapy.Request(url = 'zarten.com')
类属性和方法有urlmethodheadersbodymetacopy()replace([url, method, headers, body, cookies, meta, encoding, dont_filter, callback, errback])
Requestclass scrapy.http.Request(url[, callback, method='GET', headers, body, cookies, meta, encoding='utf-8', priority=0, dont_filter=False, errback, flags])

参数说明

url 请求的urlcallback 回调函数，用于接收请求后的返回信息，若没指定，则默认为parse()函数method http请求的方式，默认为GET请求，一般不需要指定。若需要POST请求，用FormRequest即可headers 请求头信息，一般在settings中设置即可，也可在middlewares中设置body str类型，为请求体，一般不需要设置（get和post其实都可以通过body来传递参数，不过一般不用）cookies dict或list类型，请求的cookie dict方式(name和value的键值对)：cookies = {'name1' : 'value1' , 'name2' : 'value2'}
list方式：cookies = [{'name': 'Zarten', 'value': 'my name is Zarten', 'domain': 'example.com', 'path': '/currency'}]
encoding 请求的编码方式，默认为’utf-8’
priority int类型，指定请求的优先级，数字越大优先级越高，可以为负数，默认为0dont_filter 默认为False，若设置为True，这次请求将不会过滤（不会加入到去重队列中），可以多次执行相同的请求errback 抛出错误的回调函数，错误包括404，超时，DNS错误等，第一个参数为Twisted Failure实例

HttpErrorfrom twisted.internet.error import DNSLookupErrorfrom twisted.internet.error import TimeoutError, TCPTimedOutErrorclass ToScrapeCSSSpider(scrapy.Spider):    name = "toscrape-css"    # start_urls = [    #     'http://quotes.toscrape.com/',    # ]    start_urls = [        "http://www.httpbin.org/",  # HTTP 200 expected        "http://www.httpbin.org/status/404",  # Not found error        "http://www.httpbin.org/status/500",  # server issue        "http://www.httpbin.org:12345/",  # non-responding host, 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('Got successful response from {}'.format(response.url))        # do something useful here...    def errback_httpbin(self, failure):        # log all failures        self.logger.info(repr(failure))        # in case you want to do something special for some errors,        # you may need the failure's type:        if failure.check(HttpError):            # these exceptions come from HttpError spider middleware            # you can get the non-200 response            response = failure.value.response            self.logger.info('HttpError错误 on %s', response.url)        elif failure.check(DNSLookupError):            # this is the original request            request = failure.request            self.logger.info('DNSLookupError错误 on %s', request.url)        elif failure.check(TimeoutError, TCPTimedOutError):            request = failure.request            self.logger.info('TimeoutError错误 on %s', request.url)`在这里插入代码片`

flags list类型，一般不会用到，发送请求的标志，一般用于日志记录meta 可用户自定义从Request到Response传递参数，这个参数一般也可在middlewares中处理yield scrapy.Request(url = 'zarten.com', meta = {'name' : 'Zarten'})
在Response中：my_name = response.meta['name']
不过也有scrapy内置的特殊key，也非常有用，它们如下：proxy 设置代理，一般在middlewares中设置可以设置http或https代理request.meta['proxy'] = 'https://' + 'ip:port'
downloadtimeout 设置请求超时等待时间（秒），通常在settings中设置DOWNLOADTIMEOUT，默认是180秒（3分钟）maxretrytimes 最大重试次数（除去第一次下载），默认为2次，通常在settings中 RETRY_TIMES设置dont_redirect 设为True后，Request将不会重定向dont_retry 设为True后，对于http链接错误或超时的请求将不再重试请求handlehttpstatuslist http返回码200-300之间都是成功的返回，超出这个范围的都是失败返回，scrapy默认是过滤了这些返回，不会接收这些错误的返回进行处理。不过可以自定义处理哪些错误返回：yield scrapy.Request(url= 'https://httpbin.org/get/zarten', meta= {'handle_httpstatus_list' : [404]})
在parse函数中可以看到处理404错误：def parse(self, response): print('返回信息为：',response.text)
handlehttpstatusall 设为True后，Response将接收处理任意状态码的返回信息dontmergecookies scrapy会自动保存返回的cookies，用于它的下次请求，当我们指定了自定义cookies时，如果我们不需要合并返回的cookies而使用自己指定的cookies，可以设为Truecookiejar 可以在单个spider中追踪多个cookie，它不是粘性的，需要在每次请求时都带上def start_requests(self): urls = ['http://quotes.toscrape.com/page/1', 'http://quotes.toscrape.com/page/3', 'http://quotes.toscrape.com/page/5', ] for i ,url in enumerate(urls): yield scrapy.Request(url= url, meta= {'cookiejar' : i}) def parse(self, response): next_page_url = response.css("li.next > a::attr(href)").extract_first() if next_page_url is not None: yield scrapy.Request(response.urljoin(next_page_url), meta= {'cookiejar' : response.meta['cookiejar']}, callback= self.parse_next) def parse_next(self, response): print('cookiejar:', response.meta['cookiejar'])
dont_cache 设为True后，不会缓存
redirect_urls 暂时还不清楚具体的作用，知道的小伙伴们欢迎在评论留言bindaddress 绑定输出IPdontobeyrobotstxt 设为True，不遵守robots协议，通常在settings中设置downloadmaxsize 设置下载器最大下载的大小（字节），通常在settings中设置DOWNLOADMAXSIZE，默认为1073741824 (1024MB=1G)，若不设置最大的下载限制，设为0
download_latency 只读属性，获取请求的响应时间（秒）def start_requests(self): headers = { 'user-agent' : 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' } yield scrapy.Request(url= 'https://www.amazon.com', headers= headers) def parse(self, response): print('响应时间为：', response.meta['download_latency'])
downloadfailon_dataloss 很少用到，详情看这里referrer_policy 设置Referrer PolicyFormRequestFormRequest 类为Request的子类，用于POST请求这个类新增了一个参数 formdata，其他参数与Request一样，详细可参考上面的讲述一般用法为:yield scrapy.FormRequest(url="http://www.example.com/post/action",                    formdata={'name': 'Zarten', 'age': '27'},                    callback=self.after_post)