通过淘宝数据爬虫学习python scrapy requests与response对象

Request 对象

在 scrapy 中 Request 对象代表着请求，即向服务器发送数据，该对象的构造函数原型如下所示：

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为必填参数，具体说明如下：

• callback：页面解析函数，当 Request 请求获取到 Response 响应之后，设定的函数会被调用，默认是 self.parse 方法；
• method：请求类型，默认为 GET，所以使用 Request 是可以发送 POST 的请求的，FormRequest 类是 Request 类的子类；
• headers：请求头，字典类型；
• body：请求的正文，需要 bytes 类型或 str 类型；
• cookies：Cookie 字典，dict 类型；
• meta：元数据字典，dict 类型，可以给其它组件传递信息；
• encoding：url和body参数的编码，注意不是数据响应编码；
• priority：请求的优先级，默认为0，数值越大，优先级越高；
• dont_filter：默认值为 False，该参数表示是否重复请求相同地址；
• errback：请求异常时的回调函数。

Response 对象

在 scrapy中，Response对象表示请求响应对象，即服务器返回给爬虫的数据，其构造函数原型如下：

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

与 Request 一致，该方法中仅 url 为必填参数，不过一般很少用到手动创建一个 Response 对象实例的场景。

Response 类衍生出来一个子类 TextResponse，然后 TextResponse又衍生出来 HtmlResponse和 XmlResponse。

Response 包括的属性和方法如下：

属性清单：

• url：响应地址；
• status：响应状态码；
• headers：响应头；
• encoding：响应正文的编码；
• body：响应正文，bytes 类型；
• text：文本形式的响应正文，将 body 进行编码之后的数据；
• request：获取请求对象；
• meta：元数据字典，dict 类型，请求传递过来的参数；
• selector：选择器对象。

方法清单：

• xpath()：XPath 选择器；
• css()：CSS 选择器；
• urljoin()：就是 urllib.parse 模块的 urljoin()；
• json()：将响应数据序列化为 JSON 格式；

关于 Request 和 Response 类的相关源码，可以在 scrapy\http 目录查看。

ItemPipeline

数据管道在 scrapy 中主要对数据进行处理，在实际开发过程中需要注意一个 ItemPipeline，只负责一种功能的数据处理，当然在 scrapy 中你可以创建多个 ItemPipeline。

ItemPipeline的使用场景：

• 数据清洗，例如去重，去除异常数据；
• 数据保存方式编写，例如存储 Mongodb，MySQL，Redis 数据库。

在编写ItemPipeline类的时候，不需要其继承特定类，只需要实现固定名称的方法即可，在之前的博客中已经反复提及，自定义ItemPipeline类需要实现 process_item()、open_spider()，close_spider()方法，其中 process_item()必须实现。

process_item()返回值是 Item 或者字典，也可以返回一个 DropItem类型的数据，此时该项 item 会被忽略，不会被后面的 ItemPipeline处理。

过滤数据的逻辑实现

如果希望在 ItemPipeline实现过滤数据，使用集合即可，发现集合中已经存在数据了，抛出 DropItem即可。

LinkExtractor 提取链接

scrapy 编写的爬虫在提取大量链接时，使用LinkExtractor会更加便捷。 使用 from scrapy.linkextractors import LinkExtractor导入 LinkExtractor，该类的构造函数如下所示：

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,
    )

其中各个参数说明如下：

• allow：一个正则表达式或正则表达式列表，提取正则表达式匹配的 url，默认全部提取；
• deny：与 allow 相反；
• allow_domains：字符串或者列表，domain 限制；
• deny_domains：与上面相反；
• restrict_xpaths：按照 xpath 提取；
• restrict_css：安装 css 选择器提取；
• tags：提取指定标签内的链接；
• attrs：提取指定属性内的链接；
• process_value：函数类型，传入该参数之后，LinkExtractor 会将其匹配到的所有链接，都传入该函数进行处理。

下面的代码是提取 Response 对象中的链接，需要使用 extract_links() 方法。

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

• 创建一个LinkExtractor对象；
• 使用构造器参数描述提取规则；
• 调用LinkExtractor对象的 extract_links 方法传入一个Response对象，返回一个列表；
• 使用列表中的任意元素调用 .url 或者 .text 获取链接和链接文本。

爬虫编码时间

本次的目标站点是：淘数据-行业报告 

 完整代码编写如下所示，使用 LinkExtractor 提取页面超链接。

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