Scrapy中的核心工作流程以及POST请求

五大核心组件工作流程
post请求发送
递归爬取

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, 即所谓的实体(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，主要的功能是持久化实体、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，将被发送到项目管道，并经过几个特定的次序处理数据。

post请求发送

- 重写爬虫应用文件中继承Spider类的类的里面的start_requests（self）这个方法

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)

递归爬取

- 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：

# -*- coding: utf-8 -*-

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:

            #//*[@id="qiushi_tag_120996995"]/div[1]/a[2]/h2

            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)

巴特西

Scrapy中的核心工作流程以及POST请求

五大核心组件工作流程

post请求发送

递归爬取

最新文章

热门文章