本篇博客复盘一下 scrapy 相关知识，首先从 Resquest 和 Response 对象开始。
@[toc]
Request 对象
在 scrapy 中 Request 对象代表着请求，即向服务器发送数据，该对象的构造函数原型如下所示：
def __init__(self, url, callback=None, method='GET', headers=None, body=None,
cookies=None, meta=None, encoding='utf-8', priority=0,
dont_filter=False, errback=None, flags=None, cb_kwargs=None)
其中只有 url 为必填参数，具体说明如下：
-
callback：页面解析函数，当 Request 请求获取到 Response 响应之后，设定的函数会被调用，默认是self.parse方法； -
method：请求类型，默认为 GET，所以使用 Request 是可以发送 POST 的请求的，FormRequest 类是 Request 类的子类； -
headers：请求头，字典类型； -
body：请求的正文，需要 bytes 类型或 str 类型； -
cookies：Cookie 字典，dict 类型； -
meta：元数据字典，dict 类型，可以给其它组件传递信息； -
encoding：url和body参数的编码，注意不是数据响应编码； -
priority：请求的优先级，默认为0，数值越大，优先级越高； -
dont_filter：默认值为 False，该参数表示是否重复请求相同地址； -
errback：请求异常时的回调函数。
Response 对象
在 scrapy 中，Response 对象表示请求响应对象，即服务器返回给爬虫的数据，其构造函数原型如下：
def __init__(self,url,status=200,headers=None,body=b"",
flags=None, request=None,certificate=None,ip_address=None,protocol=None,
)
与 Request 一致，该方法中仅 url 为必填参数，不过一般很少用到手动创建一个 Response 对象实例的场景。
Response 类衍生出来一个子类 TextResponse，然后 TextResponse 又衍生出来 HtmlResponse 和 XmlResponse。
Response 包括的属性和方法如下：
属性清单
-
url：响应地址； -
status：响应状态码； -
headers：响应头； -
encoding：响应正文的编码； -
body：响应正文，bytes 类型； -
text：文本形式的响应正文，将 body 进行编码之后的数据； -
request：获取请求对象； -
meta：元数据字典，dict 类型，请求传递过来的参数； -
selector：选择器对象。
方法清单
-
xpath()：XPath 选择器； -
css()：CSS 选择器； -
urljoin()：就是urllib.parse模块的urljoin()； -
json()：将响应数据序列化为 JSON 格式；
关于 Request 和 Response 类的相关源码，可以在 scrapy\http 目录查看。
ItemPipeline
数据管道在 scrapy 中主要对数据进行处理，在实际开发过程中需要注意一个 ItemPipeline ，只负责一种功能的数据处理，当然在 scrapy 中你可以创建多个 ItemPipeline。
ItemPipeline 的使用场景
- 数据清洗，例如去重，去除异常数据；
- 数据保存方式编写，例如存储 Mongodb，MySQL，Redis 数据库。
在编写 ItemPipeline 类的时候，不需要其继承特定类，只需要实现固定名称的方法即可，在之前的博客中已经反复提及，自定义 ItemPipeline 类需要实现 process_item()、open_spider()，close_spider() 方法，其中 process_item() 必须实现。
process_item() 返回值是 Item 或者字典，也可以返回一个 DropItem 类型的数据，此时该项 item 会被忽略，不会被后面的 ItemPipeline 处理。
过滤数据的逻辑实现
如果希望在 ItemPipeline 实现过滤数据，使用集合即可，发现集合中已经存在数据了，抛出 DropItem 即可。
LinkExtractor 提取链接
scrapy 编写的爬虫在提取大量链接时，使用 LinkExtractor 会更加便捷。
使用 from scrapy.linkextractors import LinkExtractor 导入 LinkExtractor ，该类的构造函数如下所示：
def __init__(self, allow=(), deny=(),allow_domains=(),deny_domains=(),restrict_xpaths=(),
tags=('a', 'area'),attrs=('href',),canonicalize=False,unique=True,process_value=None,
deny_extensions=None,restrict_css=(),strip=True,restrict_text=None,
)
其中各个参数说明如下：
-
allow：一个正则表达式或正则表达式列表，提取正则表达式匹配的 url，默认全部提取； -
deny：与allow相反； -
allow_domains：字符串或者列表，domain 限制； -
deny_domains：与上面相反； -
restrict_xpaths：按照 xpath 提取； -
restrict_css：安装 css 选择器提取； -
tags：提取指定标签内的链接； -
attrs：提取指定属性内的链接； -
process_value：函数类型，传入该参数之后，LinkExtractor 会将其匹配到的所有链接，都传入该函数进行处理。
下面的代码是提取 Response 对象中的链接，需要使用 extract_links() 方法。
def parse(self, response):
link = LinkExtractor()
all_links = link.extract_links(response)
print(all_links)
- 创建一个LinkExtractor对象；
- 使用构造器参数描述提取规则；
- 调用LinkExtractor对象的
extract_links方法传入一个Response对象，返回一个列表； - 使用列表中的任意元素调用
.url或者.text获取链接和链接文本。
爬虫编码时间
本次的目标站点是：淘数据-行业报告
通过淘宝数据学习爬虫，python scrapy requests与response对象
完整代码编写如下所示，使用 LinkExtractor 提取页面超链接。
import scrapy
from tao.items import TaoItem
from scrapy.linkextractors import LinkExtractor
class TaoDataSpider(scrapy.Spider):
name = 'tao_data'
allowed_domains = ['taosj.com']
start_urls = [f'https://www.taosj.com/articles?pageNo={page}' for page in range(1, 124)]
def parse(self, response):
link_extractor = LinkExtractor(allow=r'www\.taosj\.com/articles/\d+', restrict_css='a.report-page-list-title')
links = link_extractor.extract_links(response)
for l in links:
item = {
"url": l.url,
"text": l.text
}
yield item
写在后面
今天是持续写作的第 <font color=red>256</font> / 365 天。
期待 <font color=#04a9f4>关注</font>，<font color=#04a9f4>点赞</font>、<font color=#04a9f4>评论</font>、<font color=#04a9f4>收藏</font>。
网友评论