Python学习八十二天：URL 字段的解析

1.修改爬取的目标地址

我们知道如果想要爬取网站的数据需要在spiders文件中创建一个蜘蛛，创建后这个蜘蛛中会自动生成一个类，类名也是由蜘蛛名加Spider组成，如上一节中爬去csdn网站生成的：CsdnSpider类，这个类中的name也就是蜘蛛的名称，allowed_domains是允许爬取网站的域名，start_urls是需要爬取的目标网站的网址，如果需要更改爬取的目标页面，只需要修改start_urls就可以了；

import scrapy
class CsdnSpider(scrapy.Spider):
    name = 'csdn'
    allowed_domains = ['www.csdn.net']
    start_urls = ['http://www.csdn.net/']
    def parse(self, response):
        pass

2.解析标题的超链接a标签的跳转地址和标题内容

• 那我们继续用csdn的今天推荐作为爬取信息，首先需要在CsdnSpider类中的parse(self,response)方法中使用response对象来对css选择器获取到的a元素的href值进行解析，如response.css('h2 a::attr(href)').extract()，这样就可以得到一个url地址的列表；

import scrapy
class CsdnSpider(scrapy.Spider):
    name = 'csdn'
    allowed_domains = ['www.csdn.net']
    start_urls = ['http://www.csdn.net/']

    def parse(self, response):
       urls = response.css('.company_list .company_name a::attr(href)').extract()
       print(urls)

• 接着我们循环得到的列表，拿到每一个a标签的url地址，然后使用Request请求，需要传递两个参数，一个是url用于告诉我们接下来解析哪个页面，可以通过parse.urljoin()方法拼接页面链接，另一个是callback回调函数。
  这个回调函数是我们自己定义的，也会传递一个response对象，通过这个response对象对css选择器获取的元素进行解析，这样我们就可以拿到每个解析页面的标题内容了；

import scrapy
from scrapy.http import Request
from urllib import parse

class CsdnSpider(scrapy.Spider):
    name = 'csdn'
    allowed_domains = ['www.csdn.net']
    start_urls = ['http://www.csdn.net/']

    def parse(self, response):
       # 获取url
       urls = response.css('.company_list .company_name a::attr(href)').extract()
       # print(urls)
      
       # 解析页面
       for url in urls:
           yield Request(url = parse.urljoin(response.url, url), callback=self.parse_analyse, dont_filter=True)

    # 回调函数
    def parse_analyse(self, response):
        title = response.css('.company_list .company_name a::text').extract_first()
        print(title)

3.Request对象的介绍

• class scrapy.http.Request(url[, callback, method='GET', headers, body, cookies, meta, encoding='utf-8',priority=0, dont_filter=False, errback])，一个request对象代表一个HTTP请求，通常由Spider产生，经Downloader执行从而产生一个Response；

• url：用于请求的URL；

• callback：指定一个回调函数，该回调函数以这个request是的response作为第一个参数，如果未指定callback则默认使用spider的parse()方法；

• method： HTTP请求的方法，默认为GET；

• headers：请求的头部；

• body：请求的正文，可以是bytes或者str；

• cookies：请求携带的cookie；

• meta：指定Request.meta属性的初始值，如果给了该参数，dict将会浅拷贝；

• encoding：请求的编码， 默认为utf-8；

• priority：优先级，优先级越高，越先下载；

• dont_filter：指定该请求是否被 Scheduler过滤，该参数可以使request重复使用；

• errback：处理异常的回调函数；

参考：https://www.9xkd.com/user/plan-view.html?id=8660944990