首页 > > 网络编程 > 其它 >

Scrapy中的POST请求发送和递归爬取

2019-01-16 05:50:07来源：博客园阅读 ()

POST请求发送

重写爬虫应用文件中继承Spider类的类的里面的start_requests（self）这个方法

def start_requests(self):
    #请求的url
    post_url = 'http://fanyi.baidu.com/sug'
    # post请求参数
    formdata = {
        'kw': 'wolf',
    }
    # 发送post请求
    yield scrapy.FormRequest(url=post_url, formdata=formdata, callback=self.parse)

递归爬取

- 递归爬取解析多页页面数据

　　- 需求：将糗事百科所有页码的作者和段子内容数据进行爬取且持久化存储

　　- 需求分析：每一个页面对应一个url，则scrapy工程需要对每一个页码对应的url依次发起请求，然后通过对应的解析方法进行作者和段子内容的解析。

　　- 实现方案：

　　 1.将每一个页码对应的url存放到爬虫文件的起始url列表（start_urls）中。（不推荐）

　　 2.使用Request方法手动发起请求。（推荐）

代码:

# -*- 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/']

    #爬取多页
    pageNum = 1 #起始页码
    url = 'https://www.qiushibaike.com/text/page/%s/' #每页的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到管道进行持久化

         #爬取所有页码数据
        if self.pageNum <= 13: #一共爬取13页（共13页）
            self.pageNum += 1
            url = format(self.url % self.pageNum)

            #递归爬取数据：callback参数的值为回调函数（将url请求后，得到的相应数据继续进行parse解析），递归调用parse函数
            yield scrapy.Request(url=url,callback=self.parse)