网络爬虫框架Scrapy详解之Request

♚

 作者：zarten，互联网一线工作者。

地址：zhihu.com/people/zarten

介绍

Request类是一个http请求的类，对于爬虫而言是一个很重要的类。通常在Spider中创建这样的一个请求，在Downloader中执行这样的一个请求。同时也有一个子类FormRequest继承于它，用于post请求。

在Spider中通常用法：

1. yield scrapy.Request(url = 'zarten.com')

类属性和方法有：

1. url

3. method

5. headers

7. body

9. meta

11. copy()

13. replace([url, method, headers, body, cookies, meta, encoding, dont_filter, callback, errback])

Request

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

参数说明:

• url 请求的url

• callback 回调函数，用于接收请求后的返回信息，若没指定，则默认为parse()函数

• method http请求的方式，默认为GET请求，一般不需要指定。若需要POST请求，用FormRequest即可

• headers 请求头信息，一般在settings中设置即可，也可在middlewares中设置

• body str类型，为请求体，一般不需要设置（get和post其实都可以通过body来传递参数，不过一般不用）

• cookies dict或list类型，请求的cookie dict方式(name和value的键值对)：

1. cookies = { 'name1' : 'value1' , 'name2' : 'value2'}

list方式：

1. cookies = [

2. { 'name': 'Zarten', 'value': 'my name is Zarten', 'domain': 'example.com', 'path': '/currency'}

3. ]

• encoding 请求的编码方式，默认为'utf-8'
  

• priority int类型，指定请求的优先级，数字越大优先级越高，可以为负数，默认为0

• dont_filter 默认为False，若设置为True，这次请求将不会过滤（不会加入到去重队列中），可以多次执行相同的请求

• errback 抛出错误的回调函数，错误包括404，超时，DNS错误等，第一个参数为Twisted Failure实例

1. from scrapy.spidermiddlewares.httperror import HttpError

2. from twisted.internet.error import DNSLookupError

3. from twisted.internet.error import TimeoutError, TCPTimedOutError

5. class ToScrapeCSSSpider(scrapy.Spider):

6.    name = "toscrape-css"

7.    # start_urls = [

8.    #     'http://quotes.toscrape.com/',

9.    # ]

11.    start_urls = [

12.        "http://www.httpbin.org/",  # HTTP 200 expected

13.        "http://www.httpbin.org/status/404",  # Not found error

14.        "http://www.httpbin.org/status/500",  # server issue

15.        "http://www.httpbin.org:12345/",  # non-responding host, timeout expected

16.        "http://www.httphttpbinbin.org/",  # DNS error expected

17.    ]

19.    def start_requests(self):

20.        for u in self.start_urls:

21.            yield scrapy.Request(u, callback=self.parse_httpbin,

22.                                 errback=self.errback_httpbin,

23.                                 dont_filter=True)

25.    def parse_httpbin(self, response):

26.        self.logger.info('Got successful response from {}'.format(response.url))

27.        # do something useful here...

29.    def errback_httpbin(self, failure):

30.        # log all failures

31.        self.logger.info(repr(failure))

33.        # in case you want to do something special for some errors,

34.        # you may need the failure's type:

36.        if failure.check(HttpError):

37.            # these exceptions come from HttpError spider middleware

38.            # you can get the non-200 response

39.            response = failure.value.response

40.            self.logger.info('HttpError错误 on %s', response.url)

42.        elif failure.check(DNSLookupError):

43.            # this is the original request

44.            request = failure.request

45.            self.logger.info('DNSLookupError错误 on %s', request.url)

47.        elif failure.check(TimeoutError, TCPTimedOutError):

48.            request = failure.request

49.            self.logger.info('TimeoutError错误 on %s', request.url)

• flags list类型，一般不会用到，发送请求的标志，一般用于日志记录

• meta 可用户自定义从Request到Response传递参数，这个参数一般也可在middlewares中处理

1. yield scrapy.Request(url = 'zarten.com', meta = { 'name' : 'Zarten'})

在Response中：

1. my_name = response.meta['name']

不过也有scrapy内置的特殊key，也非常有用，它们如下：

• proxy 设置代理，一般在middlewares中设置

可以设置http或https代理

1. request.meta['proxy'] = 'https://' + 'ip:port'

• downloadtimeout 设置请求超时等待时间（秒），通常在settings中设置DOWNLOADTIMEOUT，默认是180秒（3分钟）

• maxretrytimes 最大重试次数（除去第一次下载），默认为2次，通常在settings中 RETRY_TIMES设置

• dont_redirect 设为True后，Request将不会重定向

• dont_retry 设为True后，对于http链接错误或超时的请求将不再重试请求

• handlehttpstatuslist http返回码200-300之间都是成功的返回，超出这个范围的都是失败返回，scrapy默认是过滤了这些返回，不会接收这些错误的返回进行处理。不过可以自定义处理哪些错误返回：

1. yield scrapy.Request(url= 'https://httpbin.org/get/zarten', meta= { 'handle_httpstatus_list' : [404]})

在parse函数中可以看到处理404错误：

1.    def parse(self, response):

2.        print('返回信息为：',response.text)

• handlehttpstatusall 设为True后，Response将接收处理任意状态码的返回信息

• dontmergecookies scrapy会自动保存返回的cookies，用于它的下次请求，当我们指定了自定义cookies时，如果我们不需要合并返回的cookies而使用自己指定的cookies，可以设为True

• cookiejar 可以在单个spider中追踪多个cookie，它不是粘性的，需要在每次请求时都带上
  

1.    def start_requests(self):

2.        urls = ['http://quotes.toscrape.com/page/1',

3.                'http://quotes.toscrape.com/page/3',

4.                'http://quotes.toscrape.com/page/5',

5.                ]

6.        for i ,url in enumerate(urls):

7.            yield scrapy.Request(url= url, meta= { 'cookiejar' : i})

10.    def parse(self, response):

11.        next_page_url = response.css("li.next > a::attr(href)").extract_first()

12.        if next_page_url is not None:

13.            yield scrapy.Request(response.urljoin(next_page_url), meta= { 'cookiejar' : response.meta['cookiejar']}, callback= self.parse_next)

15.    def parse_next(self, response):

16.        print('cookiejar:', response.meta['cookiejar'])

• dont_cache 设为True后，不会缓存
  

• redirect_urls 暂时还不清楚具体的作用，知道的小伙伴们欢迎在评论留言

• bindaddress 绑定输出IP

• dontobeyrobotstxt 设为True，不遵守robots协议，通常在settings中设置

• downloadmaxsize 设置下载器最大下载的大小（字节），通常在settings中设置DOWNLOADMAXSIZE，默认为1073741824 (1024MB=1G)，若不设置最大的下载限制，设为0
  

• download_latency 只读属性，获取请求的响应时间（秒）
  

1.    def start_requests(self):

3.        headers = {

4.            'user-agent' : 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'

5.        }

6.        yield scrapy.Request(url= 'https://www.amazon.com', headers= headers)

8.    def parse(self, response):

10.        print('响应时间为：', response.meta['download_latency'])

• downloadfailon_dataloss 很少用到，详情看这里

• referrer_policy 设置Referrer Policy

FormRequest

FormRequest 类为Request的子类，用于POST请求

这个类新增了一个参数 formdata，其他参数与Request一样，详细可参考上面的讲述

一般用法为:

1. yield scrapy.FormRequest(url="http://www.example.com/post/action",

2.                    formdata={ 'name': 'Zarten', 'age': '27'},

3.                    callback=self.after_post)

Python中文社区作为一个去中心化的全球技术社区，以成为全球20万Python中文开发者的精神部落为愿景，目前覆盖各大主流媒体和协作平台，与阿里、腾讯、百度、微软、亚马逊、开源中国、CSDN等业界知名公司和技术社区建立了广泛的联系，拥有来自十多个国家和地区数万名登记会员，会员来自以公安部、工信部、清华大学、北京大学、北京邮电大学、中国人民银行、中科院、中金、华为、BAT、谷歌、微软等为代表的政府机关、科研单位、金融机构以及海内外知名公司，全平台近20万开发者关注。

点击阅读原文，从零开始学习Python网络爬虫