scrapy入门(二)请求传参和中间件

1. scrapy的请求传参

   作用 : 实现深度爬取

   使用场景 : 爬取的数据没有在同一张页面

   例如, 爬取电影首页全部电影的详情页信息

   #请求传参: 让Request将一个数据值(字典)传递给回调函数
   #在第一页中将item对象的第一个属性赋值,然后通过请求传参将item对象传过去
   model_index = [3,4,6,7,8]
   for index in model_list:
    li =li_list[index]
    model_url = li.xpath('xxxxxxx').extract_first()
    self.model_urls.append(model_url)
   #for li in li_list:  #这种适用于所有的li标签都需要的情况下,当只需要某几个标签时,选用上面的方式
    #...
    #手动发送get请求,通过请求传参将item对象以字典值的形式传给my_parse:
   	yield scrapy.Request(url=, callback=my_parse, meta={'item':item})
   if self.page < 5:
    self.page += 1
    new_url = format(self.url%self.page)
    yield scrapy.Request(url=new_url,callback=parse)
   
   
   
   def my_parse(self, response):
    #接受请求传参的数据,还原出item对象
    item = response.meta['item']
   	#解析item对象需要的第二个属性
    xxx = respnse.xpath('').extract_first()
    #给item对象的第二个属性赋值
    item['xxx'] = xxx
    #还可以接着请求传参,这里不再演示
    yield item
   

2. scrapy的中间件, 和管道一样, 需要在配置文件中开启中间件

   下载中间件 : 批量拦截requests和response

   作用:

   • 修改请求的头信息
   • 修改请求的ip地址 (代理模式)
   • 修改响应对象(数据)

   middlewares.py文件: 修改成如下形式

   import scrapy
   
   #构建UA池,这样可以不在settings文件中写死
   user_agent_list = [
       'xxxxxx',
       'xxxxxxxxx',
       'xxxxxxxxxxxxxxxxxxx'
   ]
   class SecondtestDownloaderMiddleware(object):
       #拦截正常请求
       def process_request(self, request, spider):
   		#进行UA伪装,构建UA池
           request.headers['User-Agent'] = random.choice(user_agent_list)
           
           #代理,也可以构建自己的代理池
           request.meta['proxy'] = 'xxxxxxxxxxxx'
           return None
   	#拦截所有的响应
       def process_response(self, request, response, spider):
   		#拦截由于动态加载得到的不符合需求的响应对象
           #request表示请求对应的??对象
           #response表示所有的响应对象
           #spider是SecondSpider类(爬虫源文件对应的类)的实例化对象
           if request.url in spider.model_urls:
               #body 有selenium中的page_source返回
               browser = spider.browser
               browser.get(request.url)
               sleep(3)
               page_text = browser.page_source
               new_response = HtmlResponse(url=request.url,body=page_text,encoding ='utf-8',request=request)
               return new_response
           else:
               return response
           return response
   	#拦截发生异常的请求对象
       def process_exception(self, request, exception, spider):
   		#对异常的url请求进行修正
           return request		#重新发送
   

   源文件中进行修改

   #在爬虫类中定义一个属性model_urls =[]用来保存解析得到的li标签的url
   #
   from selenium import webdriver
   
   class xxx(scrapy.Spider):
       name = ''
       model_urls =[]
       browser = webdriver.Chrome(executable_path ='')
       #下面三个函数调用过程中可能出现请求传参的情况
       def parse(self,response):
           pass
       def parse_model(self,response):
           pass
       def parse_new_detail(self,response):
           content = response.xpath('xxxx//text()').extract()#解析所有的文本内容,跨标签,返回的是列表
           content = ''.jion(content)
           pass
     #该方法只会在程序结束时调用一次
     def closed(self,spider):
       self.browser.quit()
   

3. 提升爬取效率

   • 增加并发: 32---->100
   • 降低日志等级
   • 不需要cookie的时候可以禁止,默认是开启. 设置为COOKIES_ENABLED = False为禁止
   • 禁止重试RETRY_ENABLED = False
   • DOWNLOAD_TIMEOUT = 1