def __init__(self, url, callback=None, method='GET', headers=None, body=None,
                 cookies=None, meta=None, encoding='utf-8', priority=0,
                 dont_filter=False, errback=None, flags=None, cb_kwargs=None)

其中只有 url為必填參數(shù)，具體說明如下：

callback：頁面解析函數(shù)，當 Request 請求獲取到 Response 響應之后，設定的函數(shù)會被調(diào)用，默認是 self.parse 方法；
method：請求類型，默認為 GET，所以使用 Request 是可以發(fā)送 POST 的請求的，F(xiàn)ormRequest 類是 Request 類的子類；
headers：請求頭，字典類型；
body：請求的正文，需要 bytes 類型或 str 類型；
cookies：Cookie 字典，dict 類型；
meta：元數(shù)據(jù)字典，dict 類型，可以給其它組件傳遞信息；
encoding：url和body參數(shù)的編碼，注意不是數(shù)據(jù)響應編碼；
priority：請求的優(yōu)先級，默認為0，數(shù)值越大，優(yōu)先級越高；
dont_filter：默認值為 False，該參數(shù)表示是否重復請求相同地址；
errback：請求異常時的回調(diào)函數(shù)。

Response 對象

在 scrapy中，Response對象表示請求響應對象，即服務器返回給爬蟲的數(shù)據(jù)，其構造函數(shù)原型如下：

def __init__(self,url,status=200,headers=None,body=b"",
    flags=None, request=None,certificate=None,ip_address=None,protocol=None,
)

與 Request 一致，該方法中僅 url 為必填參數(shù)，不過一般很少用到手動創(chuàng)建一個 Response 對象實例的場景。

Response 類衍生出來一個子類 TextResponse，然后 TextResponse又衍生出來 HtmlResponse和 XmlResponse。

Response 包括的屬性和方法如下：

屬性清單：

url：響應地址；
status：響應狀態(tài)碼；
headers：響應頭；
encoding：響應正文的編碼；
body：響應正文，bytes 類型；
text：文本形式的響應正文，將 body 進行編碼之后的數(shù)據(jù)；
request：獲取請求對象；
meta：元數(shù)據(jù)字典，dict 類型，請求傳遞過來的參數(shù)；
selector：選擇器對象。

方法清單：

xpath()：XPath 選擇器；
css()：CSS 選擇器；
urljoin()：就是 urllib.parse 模塊的 urljoin()；
json()：將響應數(shù)據(jù)序列化為 JSON 格式；

關于 Request 和 Response 類的相關源碼，可以在 scrapy\http 目錄查看。

ItemPipeline

數(shù)據(jù)管道在 scrapy 中主要對數(shù)據(jù)進行處理，在實際開發(fā)過程中需要注意一個 ItemPipeline，只負責一種功能的數(shù)據(jù)處理，當然在 scrapy 中你可以創(chuàng)建多個 ItemPipeline。

ItemPipeline的使用場景：

數(shù)據(jù)清洗，例如去重，去除異常數(shù)據(jù)；
數(shù)據(jù)保存方式編寫，例如存儲 Mongodb，MySQL，Redis 數(shù)據(jù)庫。

在編寫ItemPipeline類的時候，不需要其繼承特定類，只需要實現(xiàn)固定名稱的方法即可，在之前的博客中已經(jīng)反復提及，自定義ItemPipeline類需要實現(xiàn) process_item()、open_spider()，close_spider()方法，其中 process_item()必須實現(xiàn)。

process_item()返回值是 Item 或者字典，也可以返回一個 DropItem類型的數(shù)據(jù)，此時該項 item 會被忽略，不會被后面的 ItemPipeline處理。

過濾數(shù)據(jù)的邏輯實現(xiàn)

如果希望在 ItemPipeline實現(xiàn)過濾數(shù)據(jù)，使用集合即可，發(fā)現(xiàn)集合中已經(jīng)存在數(shù)據(jù)了，拋出 DropItem即可。

LinkExtractor 提取鏈接

scrapy 編寫的爬蟲在提取大量鏈接時，使用LinkExtractor會更加便捷。使用 from scrapy.linkextractors import LinkExtractor導入 LinkExtractor，該類的構造函數(shù)如下所示：

def __init__(self, allow=(), deny=(),allow_domains=(),deny_domains=(),restrict_xpaths=(),
        tags=('a', 'area'),attrs=('href',),canonicalize=False,unique=True,process_value=None,
        deny_extensions=None,restrict_css=(),strip=True,restrict_text=None,
    )

其中各個參數(shù)說明如下：

allow：一個正則表達式或正則表達式列表，提取正則表達式匹配的 url，默認全部提?。?/li>
deny：與 allow 相反；
allow_domains：字符串或者列表，domain 限制；
deny_domains：與上面相反；
restrict_xpaths：按照 xpath 提??；
restrict_css：安裝 css 選擇器提取；
tags：提取指定標簽內(nèi)的鏈接；
attrs：提取指定屬性內(nèi)的鏈接；
process_value：函數(shù)類型，傳入該參數(shù)之后，LinkExtractor 會將其匹配到的所有鏈接，都傳入該函數(shù)進行處理。

下面的代碼是提取 Response 對象中的鏈接，需要使用 extract_links() 方法。

def parse(self, response):
    link = LinkExtractor()
    all_links = link.extract_links(response)
    print(all_links)

創(chuàng)建一個LinkExtractor對象；
使用構造器參數(shù)描述提取規(guī)則；
調(diào)用LinkExtractor對象的 extract_links 方法傳入一個Response對象，返回一個列表；
使用列表中的任意元素調(diào)用 .url 或者 .text 獲取鏈接和鏈接文本。

爬蟲編碼時間

本次的目標站點是：淘數(shù)據(jù)-行業(yè)報告

完整代碼編寫如下所示，使用 LinkExtractor 提取頁面超鏈接。

import scrapy
from tao.items import TaoItem
from scrapy.linkextractors import LinkExtractor
class TaoDataSpider(scrapy.Spider):
    name = 'tao_data'
    allowed_domains = ['taosj.com']
    start_urls = [f'https://www.taosj.com/articles?pageNo={page}' for page in range(1, 124)]
    def parse(self, response):
        link_extractor = LinkExtractor(allow=r'www\.taosj\.com/articles/\d+', restrict_css='a.report-page-list-title')
        links = link_extractor.extract_links(response)
        for l in links:
            item = {
                "url": l.url,
                "text": l.text
            }
            yield item

到此這篇關于通過淘寶數(shù)據(jù)爬蟲學習python scrapy requests與response對象的文章就介紹到這了,更多相關 python response 內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: