11 Scrapy框架之遞歸解析和post請求

一.遞歸爬取解析多頁頁面數據

　　- 需求：將糗事百科全部頁碼的做者和段子內容數據進行爬取切持久化存儲

　　- 需求分析：每個頁面對應一個url，則scrapy工程須要對每個頁碼對應的url依次發起請求，而後經過對應的解析方法進行做者和段子內容的解析。

　　實現方案：

    　　1.將每個頁碼對應的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:

 1 import scrapy
 2 from qiushibaike.items import QiushibaikeItem
 3 
 4 # scrapy.http import Request
 5 class QiushiSpider(scrapy.Spider):
 6     name = 'qiushi'
 7     allowed_domains = ['www.qiushibaike.com']
 8     start_urls = ['https://www.qiushibaike.com/text/']
 9     
10 
11     #爬取多頁
12     pageNum = 1#起始頁碼
13     url = 'https://www.qiushibaike.com/text/page/%s/'  #每頁的url
14     
15     def parse(self,response):
16         div_list = response.xpath('//*[@id="content-left"]/div')
17         for div in div_list:
18             author=div.xpath('.//div[@class="author clearfix"]//h2/text()').extract_first()
19             author=author.strip('\n')
20             content=div.xpath('.//div[@class="content"]/span/text()').extract_first()
21             content=content.strip('\n')
22             item=QiushibaikeItem()
23             item['author']=author
24             item['content']=content
25 
26             yield item #提交item到管道進行持久化
27     
28         
29     #爬取全部頁碼數據
30         if self.pageNum <= 13: #一共爬取13頁（共13頁）
31             self.pageNum += 1
32             url = format(self.url % self.pageNum)
33 
34             #遞歸爬取數據：callback參數的值爲回調函數（將url請求後，獲得的相應數據繼續進行parse解析），遞歸調用parse函數
35             yield scrapy.Request(url=url,callback=self.parse)

二.五大核心組件工做流程

　　。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. 能夠想像成一個URL（抓取網頁的網址或者說是連接）的優先隊列, 由它來決定下一個要抓取的網址是什麼, 同時去除重複的網址。

　　。下載器（Downloader）

　　　　用於下載網頁內容，並將網頁內容返回給蜘蛛（Scrapy下載器是創建在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本身須要的信息，所謂的實體（item）。用戶也能夠從中提取出連接，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，主要功能是持久化實體、驗證明體的有效性、清除不須要的信息。當頁面被爬蟲解析後，被髮送到項目管道，通過幾個特定的次序處理數據。

三. Post請求的發送

　　- 在以前的代碼中，咱們歷來沒有手動的對start_urls列表中的起始url進行請求的發送，可是起始url的確是進行請求的發送，如何實現的呢？

　　　　-- 實際上是由於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,該方法就能夠對start_urls列表中的url發起請求:

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

　　該方法默認的實現，是對起始的url發起get請求，若是想發起post請求，則須要子類重寫該方法。

　　方法: 重寫start_requests方法，讓其發起post請求：

1 def start_requests(self):
2         #請求的url
3         post_url = 'http://fanyi.baidu.com/sug'
4         # post請求參數
5         formdata = {
6             'kw': 'wolf',
7         }
8         # 發送post請求
9         yield scrapy.FormRequest(url=post_url, formdata=formdata, callback=self.parse)