美文网首页
刘硕的Scrapy笔记(二重写start_requests)

刘硕的Scrapy笔记(二重写start_requests)

作者: 费云帆 | 来源:发表于2018-11-26 14:01 被阅读0次

为什么要重写start_requests?
比如模板默认的是start_urls = ['http://books.toscrape.com/']
如果想添加headers伪装浏览器,此时就无从下手了,而重写start_requests可以方便的做到这点,书上做了重点说明,以下是完整代码:

# -*- coding: utf-8 -*-
import scrapy


class BooksSpider(scrapy.Spider):
    name = 'books'
    allowed_domains = ['books.toscrape.com']
    #start_urls = ['http://books.toscrape.com/']
    def start_requests(self):
        #回调函数不再是parse()
        #并添加了伪装
        # 也可以先定义好指针,再传入Request,这样会比较简洁
        yield scrapy.Request(
            'http://books.toscrape.com',
            callback=self.parse_book,
            headers={'User-Agent':'Mozilla/5.0'},
            # 这里过滤开启或者不开启,结果都一样
            dont_filter=True
        )

    def parse_book(self, response):
        path=response.xpath('//li[@class="col-xs-6 col-sm-4 col-md-3 col-lg-3"]/article')
        for book in path:
            name=book.xpath('./h3/a/text()').extract()
            price=book.xpath('./div[2]/p[1]/text()').extract()
            yield {
                'name':name,
                'price':price
            }
        next_page=response.xpath('//li[@class="next"]/a/@href').extract_first()
        if next_page:
            next_page=response.urljoin(next_page)
            yield 
 # 此处记得修改回调函数的名称,不是之前的self.parse
scrapy.Request(next_page,callback=self.parse_book)

相关文章

网友评论

      本文标题:刘硕的Scrapy笔记(二重写start_requests)

      本文链接:https://www.haomeiwen.com/subject/jskbqqtx.html