python爬虫之scrapy 框架学习复习整理二--scrapy.Request（自己提取url再发送请求）

淡淡的烟草味﹌ 2023-06-05 12:55 10阅读 0赞

### 文章目录 ###

*  说明：
 *   *  我的配置：
     *  目标网站：
 *  今天爬虫（手动提取url，发送get请求）
 *   *  1、创建项目+初始化爬虫文件：
     *  2、在setting中配置
     *  3、修改items.py：
     *  4、修改爬虫程序：spiders/scrapyd.py
     *   *  ①、scrapy.Request()
         *  ②、直接上我的代码：
     *  5、管道处理（一般都在这里进行数据清洗和数据储存操作）：pipelines.py
     *   *  1、测试spider是什么：
         *  2、保存到MongoDB数据库：
     *  6、我刚学scrapy对itmes模块的一个疑问：
     *   *  1、我改为item=\{\}
         *  2、我改为：item = ScrapydCnItem()
         *  3、对比，得出我认为的结论：

# 说明： #

今天主要学习一下翻页的功能，手动翻页的效果，前面的基础操作这里不不再依次讲解截图说明了，如果不太懂，可以参考我的上一篇scrapy博客：  
[https://blog.csdn.net/weixin\_42081389/article/details/102390279][https_blog.csdn.net_weixin_42081389_article_details_102390279]

## 我的配置： ##

windows10系统
    python3.6

## 目标网站： ##

[http://lab.scrapyd.cn/][http_lab.scrapyd.cn]  
因为这个网站是get，响应的页面就能找到下一页的url，我记得之前测试翻页是用的腾讯招聘网站，但是现在腾讯招聘的页面改成异步获取的json数据了，如果真的爬取，我觉得直接使用requests模块比较方便，如果用scrapy，可以直接把开始的start\_urls列表换成一个异步url列表集，我感觉使用scrapy那样爬取多此一举了。

比如这样，url列表集：

start_urls = ['https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1570587185160&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=10&language=zh-cn&area=cn'.format(i) for i in range(1,101)]

不过这样的我不写，这样的和我的第一个博客没有什么区别，只不过初始化的url列表数量多了而已。

# 今天爬虫（手动提取url，发送get请求） #

## 1、创建项目+初始化爬虫文件： ##

scrapy startpoject scrapyd_cn
    cd scrapyd_cn
    scapy genspider scrapyd lab.scrapyd.cn/

生成文件：

![在这里插入图片描述][20191009104639747.png]

## 2、在setting中配置 ##

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36'
    ROBOTSTXT_OBEY = False
    
    _LEVEL = 'DEBUG'
    LOG_LEVEL = "WARNING"
    
    ITEM_PIPELINES = { 
       'scrapyd_cn.pipelines.ScrapydCnPipeline': 300,
    }

## 3、修改items.py： ##

这里我们只要三维数据，需要三个字段即可。  
![在这里插入图片描述][20191009104401174.png]

import scrapy
    
    
    class ScrapydCnItem(scrapy.Item):
        # define the fields for your item here like:
        text = scrapy.Field()
        author = scrapy.Field()
        url = scrapy.Field()
        # pass

## 4、修改爬虫程序：spiders/scrapyd.py ##

### ①、scrapy.Request() ###

这个只是和之前比这多了一个翻页功能，这个scrapy.Request()  
里面有俩个必须要传递的参数，一个是url,一个是返回的函数，这里的parse是本身的方法中，继续处理数据直至页面结束，可以自己写多个方法，根据项目和网站需要定义方法，和需要的返回方法中。

# 翻页
                yield scrapy.Request(url=next_page, callback=self.parse)

其中还有几个常用的参数：

![在这里插入图片描述][20191009112148162.png]  
scrapy.Request()中几个常用参数解释：

url：必填：
    callback：必填：请求之后返回到方法中处理然后数据
    enthod:默认是get,如果是post需要自己手动更改，我这里是get,忽略了。
    cookies：字典类型，有些网站需要cookies，可以携带上单个的cookies。
    headers：字典类型，请求头，我的这个在setting里面加入了user-agent，这里不加也可以。
    meta：这个很常用，这里是方法之间传递参数的
    dont_filter:是否开启过滤，默认关闭，开启之后爬取过的url,下一次不会再爬取
    errback：和callback类似，但是是处理对应的请求url报错时会进入errback，可以进入将报错的url打印出来或者单独保留下来，后续手动测试查找报错原因

### ②、直接上我的代码： ###

# -*- coding: utf-8 -*-
    import scrapy
    from scrapyd_cn.items import ScrapydCnItem
    
    class ScrapydSpider(scrapy.Spider):
        name = 'scrapyd'
        allowed_domains = ['lab.scrapyd.cn']
        start_urls = ['http://lab.scrapyd.cn//']
    
        def parse(self, response):
            # 1、提取每一页的数据
            div_list = response.xpath('//*[@id="main"]/div[@class="quote post"]')
            for div in div_list:
                # extract_first() 和 get() 返回的结果是一样的。
                text = div.xpath('./span[@class="text"]/text()').get()
                # author = div.xpath('.//*[@class="author"]/text()').extract_first()
                author = div.xpath('.//*[@class="author"]/text()').get()
                url = div.xpath('.//a[contains(text(),"详情")]/@href').get()
                # print("div", text, author, url)
                item = ScrapydCnItem()
                item['text'] = text
                item['author'] = author
                item['url'] = url
                yield item
    
            # 2、下一页
            next_page = response.xpath('//*[@id="main"]//li[@class="next"]/a/@href').get()
            print("下一页",next_page)
            if next_page and len(next_page) > 5:
                # 翻页
                yield scrapy.Request(url=next_page, callback=self.parse)
            else:
                print("没有下一页了"*10)

## 5、管道处理（一般都在这里进行数据清洗和数据储存操作）：pipelines.py ##

### 1、测试spider是什么： ###

下面是我测试的方法，之前使用过name属性进行过对不同的数据进行清洗和储存。你也可以自己研究测试。

class ScrapydCnPipeline(object):
        def process_item(self, item, spider):
            # print("pipelines.py",item,spider)
            # 1、测试spider是什么?,结果发现spdier就是我们爬虫程序，因为一个项目里面可以有多个爬虫程序，
            # print("pipelines.py",dir(spider)) # 打印出spider含有的属性和方法
            # ['allowed_domains', 'close', 'crawler', 'custom_settings', 'from_crawler', 'handles_request', 'log', 'logger', 'make_requests_from_url', 'name', 'parse', 'set_crawler', 'settings', 'start_requests', 'start_urls', 'update_settings']
            # print("pipelines.py", spider.name)
            # 发现我的爬虫程序的name是唯一的，如果一个项目有多个爬虫程序时，可以根据name进行分别进行建立不同的方法处理（比如不同的爬虫数据，需要存入不同的数据库中，或者需要的字段还不一致）
            # pipelines.py scrapyd
    
            # 2、处理返回的数据
    
    
            return item

### 2、保存到MongoDB数据库： ###

代码：

from pymongo import MongoClient
    
    
    class ScrapydCnPipeline(object):
    
        def open_spider(self, spider):
            print("准备创建一个数据库")
            # 这个会在项目开始时第一次进入pipelines.py进入，之后不再进入
            # 建立于MongoClient 的连接：
            self.client = MongoClient('localhost', 27017)
            # 得到数据库
            self.db = self.client['111_test_database_scrapyd_cn']
            # 得到一个集合
            self.collection = self.db['111_test_collection_scrapyd_cn']
    
        def close_spider(self, spider):
            print('项目结束，断开数据库连接')
            # 这个会在结束时开始时第一次进入pipelines.py进入，之后不再进入
            self.client.close()
    
    
        def process_item(self, item, spider):
            # print("pipelines.py",item,spider)
            # 1、测试spider是什么?,结果发现spdier就是我们爬虫程序，因为一个项目里面可以有多个爬虫程序，
            # print("pipelines.py",dir(spider)) # 打印出spider含有的属性和方法
            # ['allowed_domains', 'close', 'crawler', 'custom_settings', 'from_crawler', 'handles_request', 'log', 'logger', 'make_requests_from_url', 'name', 'parse', 'set_crawler', 'settings', 'start_requests', 'start_urls', 'update_settings']
            # print("pipelines.py", spider.name)
            # 发现我的爬虫程序的name是唯一的，如果一个项目有多个爬虫程序时，可以根据name进行分别进行建立不同的方法处理（比如不同的爬虫数据，需要存入不同的数据库中，或者需要的字段还不一致）
            # pipelines.py scrapyd
    
            # 2、处理返回的数据
            # print("process_item", item, spider)
            # print("type", type(item))
            # 储存到数据库
            print("准备保存到数据库",item)
            self.collection.save(dict(item))
    
            return item

打印出的页面显示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 1]

数据MongoDB存入成功：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 2]

## 6、我刚学scrapy对itmes模块的一个疑问： ##

不知道刚学scrapy时有没有和我一样，有这样一个疑问，爬虫程序中，我不继承items中的ScrapydCnItem类，直接用一个字典代替，其实，我的理解，如果不涉及过的爬虫数据类型保存，是一样的，但是如果涉及过多的类型数据保存，会影响数据的混乱保存。比如进入管道中的，一个程序中，我就有好几种数据分别保存到不同的数据库，这时，继承items中的dict数据进入管道pipelines.py就可以用

**isinstance(item,ScrapydCnItem)**

返回的是True和False，进行保存自己需要的数据类型，到对应的需求数据库中。  
![在这里插入图片描述][20191009144127552.png]  
scrapy.Item进入源文件是继承一个dict类：  
![在这里插入图片描述][20191009144411822.png]  
scrapy.Field() 进入源文件也是继承一个dict  
![在这里插入图片描述][20191009144439116.png]

爬虫文件中，我测试发现定义一个字典返回的管道数据中储存，结果和定义的items的类ScrapydCnItem最后进入管道的结果是一样的，但是类型不一样，最后我找到一个可以理解这定义这个items中ScrapydCnItem类dict的原因：

### 1、我改为item=\{\} ###

爬虫spider/scrapyd.py中,改为item = \{\}：

![在这里插入图片描述][20191009143343474.png]  
pipelines.py中打印到处item类型，和print(“isinstance”,isinstance(item,ScrapydCnItem))

其中这个ScrapydCnItem类，是items.py中的目标数据字段的类。  
from scrapyd\_cn.items import ScrapydCnItem

![在这里插入图片描述][2019100914554922.png]  
上面的打印结果：  
![在这里插入图片描述][2019100915005359.png]

### 2、我改为：item = ScrapydCnItem() ###

爬虫spider/scrapyd.py中  
![在这里插入图片描述][20191009150136151.png]

pipelines.py中，用来打印出我的疑问  
![在这里插入图片描述][20191009150204964.png]  
打印出管道中的结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 3]

### 3、对比，得出我认为的结论： ###

通过上面俩个打印出的结论，我也就自己给出了我的疑问答案，那就是，items的文件，在爬虫程序中继承过来的字段类型，看着是字典，但是可以根据这个进行不同的数据类型（根据继续的items中的类来体现），根据isinstance(item,ScrapydCnItem)，ScrapydCnItem要改为你实际需求的数据类名，进行不同数据类型分开保存。

这也就是我自己对这个items中的定义目标数据字段的理解。

[https_blog.csdn.net_weixin_42081389_article_details_102390279]: https://blog.csdn.net/weixin_42081389/article/details/102390279
[http_lab.scrapyd.cn]: http://lab.scrapyd.cn/
[20191009104639747.png]: /images/20230601/974da4571db64cfda1b2232147e39b68.png
[20191009104401174.png]: /images/20230601/8638b34024e147f2aa643aa8befb4ac6.png
[20191009112148162.png]: /images/20230601/569c7cc0870947e5b03e88caa27eb4c0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70]: /images/20230601/b593816e17b14579aa87be545a7bf7e4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 1]: /images/20230601/7f6265710b544df6b8b93e77a22ec49f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 2]: /images/20230601/ff4faa7a32b24dcf9ca0ee8ec823f5e6.png
[20191009144127552.png]: /images/20230601/e48219636e91484c83ac74ec7c1369ea.png
[20191009144411822.png]: /images/20230601/7682882c7b514e7faaf09c8d2ac8db00.png
[20191009144439116.png]: /images/20230601/c763362ce9464969a949a404ab9a4f44.png
[20191009143343474.png]: /images/20230601/c6be91504d6142e7b66b1d2618ff5435.png
[2019100914554922.png]: /images/20230601/e985b72eacd94daa97354dc12927bc71.png
[2019100915005359.png]: /images/20230601/85e174f6f1e043bc8fca112250569516.png
[20191009150136151.png]: /images/20230601/d45a769273fd43a295d7df9eae9ba668.png
[20191009150204964.png]: /images/20230601/a8c76bedbc984ec5a2fe84aae46a56ae.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjA4MTM4OQ_size_16_color_FFFFFF_t_70 3]: /images/20230601/4d8f26bf85794a78aa365498d51139f0.png