python——scrapy中Request参数

原文：https://zhuanlan.zhihu.com/p/40290931

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

类属性和方法有：

url

method

headers

body

meta

copy()

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

 

Request

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)：

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

list方式：

cookies = [
{'name': 'Zarten', 'value': 'my name is Zarten', 'domain': 'example.com', 'path': '/currency'}
]

 

• 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

from scrapy.spidermiddlewares.httperror import HttpError
from twisted.internet.error import DNSLookupError
from twisted.internet.error import TimeoutError, TCPTimedOutError

class ToScrapeCSSSpider(scrapy.Spider):
    name = "toscrape-css"
    # start_urls = [
    #     'http://quotes.toscrape.com/',
    # ]

    start_urls = [
        "http://www.httpbin.org/",  # HTTP 200 expected
        "http://www.httpbin.org/status/404",  # Not found error
        "http://www.httpbin.org/status/500",  # server issue
        "http://www.httpbin.org:12345/",  # non-responding host, timeout expected
        "http://www.httphttpbinbin.org/",  # DNS error expected
    ]

    def start_requests(self):
        for u in self.start_urls:
            yield scrapy.Request(u, callback=self.parse_httpbin,
                                 errback=self.errback_httpbin,
                                 dont_filter=True)

    def parse_httpbin(self, response):
        self.logger.info('Got successful response from {}'.format(response.url))
        # do something useful here...

    def errback_httpbin(self, failure):
        # log all failures
        self.logger.info(repr(failure))

        # in case you want to do something special for some errors,
        # you may need the failure's type:

        if failure.check(HttpError):
            # these exceptions come from HttpError spider middleware
            # you can get the non-200 response
            response = failure.value.response
            self.logger.info('HttpError错误 on %s', response.url)

        elif failure.check(DNSLookupError):
            # this is the original request
            request = failure.request
            self.logger.info('DNSLookupError错误 on %s', request.url)

        elif failure.check(TimeoutError, TCPTimedOutError):
            request = failure.request
            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

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

在Response中：

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

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

 

• download_timeout

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

 

• max_retry_times

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

 

• handle_httpstatus_list

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：

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：

    def parse(self, response):
        print('返回信息为：',response.text)

 

• handle_httpstatus_all

设为True后，Response将接收处理任意状态码的返回信息

 

• dont_merge_cookies

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

    def start_requests(self):
        urls = ['http://quotes.toscrape.com/page/1',
                'http://quotes.toscrape.com/page/3',
                'http://quotes.toscrape.com/page/5',
                ]
        for i ,url in enumerate(urls):
            yield scrapy.Request(url= url, meta= {'cookiejar' : i})


    def parse(self, response):
        next_page_url = response.css("li.next > a::attr(href)").extract_first()
        if next_page_url is not None:
            yield scrapy.Request(response.urljoin(next_page_url), meta= {'cookiejar' : response.meta['cookiejar']}, callback= self.parse_next)

    def parse_next(self, response):
        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

 

• dont_obey_robotstxt

设为True，不遵守robots协议，通常在settings中设置

 

• download_maxsize

设置下载器最大下载的大小（字节），通常在settings中设置DOWNLOAD_MAXSIZE，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）

    def start_requests(self):

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

    def parse(self, response):

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

 

• download_fail_on_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:

yield scrapy.FormRequest(url="http://www.example.com/post/action",
                    formdata={'name': 'Zarten', 'age': '27'},
                    callback=self.after_post)