Scrapy请求和响应

Scrapy可以使用 Request 和 Response 对象来抓取网站。请求对象通过系统，使用蜘蛛执行请求，并在返回响应对象时返回请求。

请求对象

请求对象是一个生成响应的HTTP请求。它有以下班级：

class scrapy.http.Request(url[, callback, method = 'GET', headers, body, cookies, meta,
   encoding = 'utf-8', priority = 0, dont_filter = False, errback])

下表显示了Request对象的参数：

将附加数据传递给回调函数

当响应被下载作为其第一个参数时，会调用请求的回调函数。

例如 -

def parse_page1(self, response):
   return scrapy.Request("http://www.something.com/some_page.html",
      callback = self.parse_page2)  

def parse_page2(self, response):
   self.logger.info("%s page visited", response.url)

如果您想将参数传递给可调用函数并在第二个回调中接收这些参数，可以使用 Request.meta 属性，如以下示例所示：

def parse_page1(self, response):
   item = DemoItem()
   item['foremost_link'] = response.url
   request = scrapy.Request("http://www.something.com/some_page.html",
      callback = self.parse_page2)
   request.meta['item'] = item
   return request  

def parse_page2(self, response):
   item = response.meta['item']
   item['other_link'] = response.url
   return item

使用errbacks在请求处理中捕获异常

errback是在处理请求时发生异常时调用的可调用函数。

以下示例演示了这一点 -

import scrapy  

from scrapy.spidermiddlewares.httperror import HttpError
from twisted.internet.error import DNSLookupError
from twisted.internet.error import TimeoutError, TCPTimedOutError  

class DemoSpider(scrapy.Spider):
   name = "demo"
   start_urls = [
      "http://www.httpbin.org/",              # HTTP 200 expected
      "http://www.httpbin.org/status/404",    # Webpage not found  
      "http://www.httpbin.org/status/500",    # Internal server error
      "http://www.httpbin.org:12345/",        # 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('Recieved response from {}'.format(response.url))
      # ...  

   def errback_httpbin(self, failure):
      # logs failures
      self.logger.error(repr(failure))  

      if failure.check(HttpError):
         response = failure.value.response
         self.logger.error("HttpError occurred on %s", response.url)  

      elif failure.check(DNSLookupError):
         request = failure.request
         self.logger.error("DNSLookupError occurred on %s", request.url)

      elif failure.check(TimeoutError, TCPTimedOutError):
         request = failure.request
         self.logger.error("TimeoutError occurred on %s", request.url)

Request.meta特殊键

request.meta特殊键是由Scrapy识别的特殊元键的列表。

下表显示了Request.meta的一些键：

请求子类

您可以通过继承请求类来实现自己的自定义功能。内置的请求子类如下所示：

FormRequest对象

FormRequest类通过扩展基本请求来处理HTML表单。它有以下班级：

class scrapy.http.FormRequest(url[,formdata, callback, method = 'GET', headers, body,
   cookies, meta, encoding = 'utf-8', priority = 0, dont_filter = False, errback])

以下是参数：

formdata - 它是一个具有HTML表单数据的字典，分配给请求的主体。

注 - 剩余参数与请求类相同，请参见 请求对象 部分。

除了请求方法外， FormRequest 对象还支持以下类方法：

classmethod from_response(response[, formname = None, formnumber = 0, formdata = None,
   formxpath = None, formcss = None, clickdata = None, dont_click = False, ...])

下表显示了上述类的参数：

例子

以下是一些请求使用示例：

使用FormRequest通过HTTP POST发送数据

以下代码演示了如何在您的蜘蛛中复制HTML表单POST时返回FormRequest对象：

return [FormRequest(url = "http://www.something.com/post/action",
   formdata = {'firstname': 'John', 'lastname': 'dave'},
   callback = self.after_post)]

使用FormRequest.from_response（）模拟用户登录

通常情况下，网站使用通过它提供预填充表单域的元素。该 FormRequest.form_response（） 时，你希望这些区域自动刮的同时填充方法可以使用。

以下示例演示了这一点。

import scrapy  
class DemoSpider(scrapy.Spider):
   name = 'demo'
   start_urls = ['http://www.something.com/users/login.php']  
   def parse(self, response):
      return scrapy.FormRequest.from_response(
         response,
         formdata = {'username': 'admin', 'password': 'confidential'},
         callback = self.after_login
      )  

   def after_login(self, response):
      if "authentication failed" in response.body:
         self.logger.error("Login failed")
         return  
      # You can continue scraping here

响应对象

它是一个指示馈送给蜘蛛进行处理的HTTP响应的对象。它有以下班级：

class scrapy.http.Response(url[, status = 200, headers, body, flags])

下表显示了Response对象的参数：

响应子类

您可以通过继承响应类来实现自己的自定义功能。内置的响应子类如下所示：

TextResponse对象

TextResponse对象用于二进制数据，如图像，声音等，它们可以对基本的Response类进行编码。它有以下班级：

class scrapy.http.TextResponse(url[, encoding[,status = 200, headers, body, flags]])

编码 - 它是一种用于编码响应的编码字符串。

注 - 剩余参数与响应类相同，在“ 响应对象” 部分进行了说明。

下表显示了TextResponse对象除响应方法外还支持的属性：

下表显示除了 响应 方法外 TextResponse 对象支持的方法 ：

HtmlResponse对象

它是一个通过查看HTML 的 meta httpequiv 属性来支持编码和自动发现的对象。其参数与响应类相同，并在响应对象部分进行了说明。它有以下班级：

class scrapy.http.HtmlResponse(url[,status = 200, headers, body, flags])

XmlResponse对象

它是一个通过查看XML行来支持编码和自动发现的对象。其参数与响应类相同，并在响应对象部分进行了说明。它有以下班级：

class scrapy.http.XmlResponse(url[, status = 200, headers, body, flags])

Scrapy链接提取器：正如名称本身所示，链接提取器是用于使用 scrapy.http.Response 对象从网页中提取链接的对象。在Scrapy中，有内置提取器，如 scrapy.linkextractors import LinkEx ...