#yyds干货盘点# 通过淘宝数据学习爬虫,python scrapy requests与response对象

Posted 梦想橡皮擦

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了#yyds干货盘点# 通过淘宝数据学习爬虫,python scrapy requests与response对象相关的知识,希望对你有一定的参考价值。

本篇博客复盘一下 scrapy 相关知识,首先从 Resquest 和 Response 对象开始。

@[toc]

Request 对象

在 scrapy 中 Request 对象代表着请求,即向服务器发送数据,该对象的构造函数原型如下所示:

def __init__(self, url, callback=None, method=GET, headers=None, body=None,
                 cookies=None, meta=None, encoding=utf-8, priority=0,
                 dont_filter=False, errback=None, flags=None, cb_kwargs=None)

其中只有 url 为必填参数,具体说明如下:

  • callback:页面解析函数,当 Request 请求获取到 Response 响应之后,设定的函数会被调用,默认是 self.parse 方法;
  • method:请求类型,默认为 GET,所以使用 Request 是可以发送 POST 的请求的,FormRequest 类是 Request 类的子类;
  • headers:请求头,字典类型;
  • body:请求的正文,需要 bytes 类型或 str 类型;
  • cookies:Cookie 字典,dict 类型;
  • meta:元数据字典,dict 类型,可以给其它组件传递信息;
  • encoding:url和body参数的编码,注意不是数据响应编码;
  • priority:请求的优先级,默认为0,数值越大,优先级越高;
  • dont_filter:默认值为 False,该参数表示是否重复请求相同地址;
  • errback:请求异常时的回调函数。

Response 对象

在 scrapy 中,Response 对象表示请求响应对象,即服务器返回给爬虫的数据,其构造函数原型如下:

def __init__(self,url,status=200,headers=None,body=b"",
    flags=None, request=None,certificate=None,ip_address=None,protocol=None,
)

与 Request 一致,该方法中仅 url 为必填参数,不过一般很少用到手动创建一个 Response 对象实例的场景。

Response 类衍生出来一个子类 TextResponse,然后 TextResponse 又衍生出来 htmlResponseXmlResponse

Response 包括的属性和方法如下:

属性清单

  • url:响应地址;
  • status:响应状态码;
  • headers:响应头;
  • encoding:响应正文的编码;
  • body:响应正文,bytes 类型;
  • text:文本形式的响应正文,将 body 进行编码之后的数据;
  • request:获取请求对象;
  • meta:元数据字典,dict 类型,请求传递过来的参数;
  • selector:选择器对象。

方法清单

  • xpath():XPath 选择器;
  • css():CSS 选择器;
  • urljoin():就是 urllib.parse 模块的 urljoin()
  • json():将响应数据序列化为 JSON 格式;

ItemPipeline 的使用场景

  1. 数据清洗,例如去重,去除异常数据;
  2. 数据保存方式编写,例如存储 Mongodb,mysql,Redis 数据库。

在编写 ItemPipeline 类的时候,不需要其继承特定类,只需要实现固定名称的方法即可,在之前的博客中已经反复提及,自定义 ItemPipeline 类需要实现 process_item()open_spider()close_spider() 方法,其中 process_item() 必须实现。

process_item() 返回值是 Item 或者字典,也可以返回一个 DropItem 类型的数据,此时该项 item 会被忽略,不会被后面的 ItemPipeline 处理。

过滤数据的逻辑实现

如果希望在 ItemPipeline 实现过滤数据,使用集合即可,发现集合中已经存在数据了,抛出 DropItem 即可。

LinkExtractor 提取链接

scrapy 编写的爬虫在提取大量链接时,使用 LinkExtractor 会更加便捷。
使用 from scrapy.linkextractors import LinkExtractor 导入 LinkExtractor ,该类的构造函数如下所示:

def __init__(self, allow=(), deny=(),allow_domains=(),deny_domains=(),restrict_xpaths=(),
        tags=(a, area),attrs=(href,),canonicalize=False,unique=True,process_value=None,
        deny_extensions=None,restrict_css=(),strip=True,restrict_text=None,
    )

其中各个参数说明如下:

  • allow:一个正则表达式或正则表达式列表,提取正则表达式匹配的 url,默认全部提取;
  • deny:与 allow 相反;
  • allow_domains:字符串或者列表,domain 限制;
  • deny_domains:与上面相反;
  • restrict_xpaths:按照 xpath 提取;
  • restrict_css:安装 css 选择器提取;
  • tags:提取指定标签内的链接;
  • attrs:提取指定属性内的链接;
  • process_value:函数类型,传入该参数之后,LinkExtractor 会将其匹配到的所有链接,都传入该函数进行处理。

下面的代码是提取 Response 对象中的链接,需要使用 extract_links() 方法。

def parse(self, response):
    link = LinkExtractor()
    all_links = link.extract_links(response)
    print(all_links)
  1. 创建一个LinkExtractor对象;
  2. 使用构造器参数描述提取规则;
  3. 调用LinkExtractor对象的 extract_links 方法传入一个Response对象,返回一个列表;
  4. 使用列表中的任意元素调用 .url 或者 .text 获取链接和链接文本。

爬虫编码时间

本次的目标站点是:淘数据-行业报告

完整代码编写如下所示,使用 LinkExtractor 提取页面超链接。

import scrapy
from tao.items import TaoItem
from scrapy.linkextractors import LinkExtractor

class TaoDataSpider(scrapy.Spider):
    name = tao_data
    allowed_domains = [taosj.com]
    start_urls = [fhttps://www.taosj.com/articles?pageNo=page for page in range(1, 124)]

    def parse(self, response):
        link_extractor = LinkExtractor(allow=rwww\\.taosj\\.com/articles/\\d+, restrict_css=a.report-page-list-title)
        links = link_extractor.extract_links(response)
        for l in links:
            item = 
                "url": l.url,
                "text": l.text
            
            yield item

写在后面

以上是关于#yyds干货盘点# 通过淘宝数据学习爬虫,python scrapy requests与response对象的主要内容,如果未能解决你的问题,请参考以下文章

# yyds干货盘点 # 一篇文章教会你理解Scrapy网络爬虫框架的工作原理和数据采集过程

#yyds干货盘点#Python爬虫实战,pyecharts模块,Python实现中国地铁数据可视化

#yyds干货盘点#Python爬虫之Urllib用法合集

# yyds干货盘点 # Python网络爬虫中重新请求,请问有什么比较好的解决方法?

#yyds干货盘点# Python - 爬虫_Ajax的请求方式

# yyds干货盘点 # 手把手教你使用Python网络爬虫实现邮件定时发送(附源码)