今日概要

• 遞歸爬取解析多頁頁面數據
• scrapy核心組件工作流程
• scrapy的post請求發送

今日詳情

1.遞歸爬取解析多頁頁面數據

- 需求：將糗事百科所有頁碼的作者和段子內容數據進行爬取切持久化存儲

- 需求分析：每一個頁面對應一個url，則scrapy工程需要對每一個頁碼對應的url依次發起請求，然後通過對應的解析方法進行作者和段子內容的解析。

實現方案：

1.將每一個頁碼對應的url存放到爬蟲文件的起始url列表（start_urls）中。（不推薦）

2.使用Request方法手動發起請求。（推薦）

代碼展示：

# -*- 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/‘]

    #爬取多頁
    pageNum = 1 #起始頁碼
    url = ‘https://www.qiushibaike.com/text/page/%s/‘ #每頁的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到管道進行持久化

         #爬取所有頁碼數據
        if self.pageNum <= 13: #一共爬取13頁（共13頁）
            self.pageNum += 1
            url = format(self.url % self.pageNum)

            #遞歸爬取數據：callback參數的值為回調函數（將url請求後，得到的相應數據繼續進行parse解析），遞歸調用parse函數
            yield scrapy.Request(url=url,callback=self.parse)
 

2.五大核心組件工作流程：

• 引擎(Scrapy)
  用來處理整個系統的數據流處理, 觸發事務(框架核心)
• 調度器(Scheduler)
  用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 可以想像成一個URL（抓取網頁的網址或者說是鏈接）的優先隊列, 由它來決定下一個要抓取的網址是什麽, 同時去除重復的網址
• 下載器(Downloader)
  用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是建立在twisted這個高效的異步模型上的)
• 爬蟲(Spiders)
  爬蟲是主要幹活的, 用於從特定的網頁中提取自己需要的信息, 即所謂的實體(Item)。用戶也可以從中提取出鏈接,讓Scrapy繼續抓取下一個頁面
• 項目管道(Pipeline)
  負責處理爬蟲從網頁中抽取的實體，主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。當頁面被爬蟲解析後，將被發送到項目管道，並經過幾個特定的次序處理數據。

3.post請求發送

- 問題：在之前代碼中，我們從來沒有手動的對start_urls列表中存儲的起始url進行過請求的發送，但是起始url的確是進行了請求的發送，那這是如何實現的呢？

- 解答：其實是因為爬蟲文件中的爬蟲類繼承到了Spider父類中的start_requests（self）這個方法，該方法就可以對start_urls列表中的url發起請求：

  def start_requests(self):
        for u in self.start_urls:
           yield scrapy.Request(url=u,callback=self.parse)
 

【註意】該方法默認的實現，是對起始的url發起get請求，如果想發起post請求，則需要子類重寫該方法。

　　-方法： 重寫start_requests方法，讓其發起post請求：

def start_requests(self):
        #請求的url
        post_url = ‘http://fanyi.baidu.com/sug‘
        # post請求參數
        formdata = {
            ‘kw‘: ‘wolf‘,
        }
        # 發送post請求
        yield scrapy.FormRequest(url=post_url, formdata=formdata, callback=self.parse)

爬蟲開發9.scrapy框架之遞歸解析和post請求