11 Scrapy框架之递归解析和post请求

一.递归爬取解析多页页面数据

  - 需求:将糗事百科所有页码的作者和段子内容数据进行爬取切持久化存储

  - 需求分析:每一个页面对应一个url,则scrapy工程需要对每一个页码对应的url依次发起请求,然后通过对应的解析方法进行作者和段子内容的解析。

  实现方案:

  1.将每一个页码对应的url存放到爬虫文件的起始url列表(start_urls)中。(不推荐)

   2.使用Request方法手动发起请求。(推荐)

代码:

 import scrapy
from qiushibaike.items import QiushibaikeItem # scrapy.http import Request
class QiushiSpider(scrapy.Spider):
name = 'qiushi'
allowed_domains = ['www.qiushibaike.com']
start_urls = ['https://www.qiushibaike.com/text/'] #爬取多页
pageNum = 1#起始页码
url = 'https://www.qiushibaike.com/text/page/%s/' #每页的url def parse(self,response):
div_list = response.xpath('//*[@id="content-left"]/div')
for div in div_list:
author=div.xpath('.//div[@class="author clearfix"]//h2/text()').extract_first()
author=author.strip('\n')
content=div.xpath('.//div[@class="content"]/span/text()').extract_first()
content=content.strip('\n')
item=QiushibaikeItem()
item['author']=author
item['content']=content yield item #提交item到管道进行持久化 #爬取所有页码数据
if self.pageNum <= 13: #一共爬取13页(共13页)
self.pageNum += 1
url = format(self.url % self.pageNum) #递归爬取数据:callback参数的值为回调函数(将url请求后,得到的相应数据继续进行parse解析),递归调用parse函数
yield scrapy.Request(url=url,callback=self.parse)

二.五大核心组件工作流程

  。引擎(Scrapy)

    用来处理整个系统的数据流处理,触发事务(框架核心)

  。调度器(Scheduler)

    用来接受引擎发过来的请求,压入队列中,并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址。

  。下载器(Downloader)

    用于下载网页内容,并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

  。爬虫(Spiders)

    爬虫是主要干活的,用于从特定的网页中提取自己需要的信息,所谓的实体(item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

  。项目管道(Pipeline)

    负责处理爬虫从网页中抽取的实体,主要功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,被发送到项目管道,经过几个特定的次序处理数据。

三. Post请求的发送

  - 在之前的代码中,我们从来没有手动的对start_urls列表中的起始url进行请求的发送,但是起始url的确是进行请求的发送,如何实现的呢?

    -- 其实是因为爬虫文件中的爬虫类继承到了Spider父类中的start_requests(self)这个方法,该方法就可以对start_urls列表中的url发起请求:

   def start_requests(self):
for u in self.start_urls:
yield scrapy.Request(url=u,callback=self.parse)

  该方法默认的实现,是对起始的url发起get请求,如果想发起post请求,则需要子类重写该方法。

  方法: 重写start_requests方法,让其发起post请求:

 def start_requests(self):
#请求的url
post_url = 'http://fanyi.baidu.com/sug'
# post请求参数
formdata = {
'kw': 'wolf',
}
# 发送post请求
yield scrapy.FormRequest(url=post_url, formdata=formdata, callback=self.parse)
上一篇:HDU 5755 Gambler Bo


下一篇:爬虫开发9.scrapy框架之递归解析和post请求