如何進(jìn)行Request的分析

如何進(jìn)行Request的分析，相信很多沒有經(jīng)驗(yàn)的人對(duì)此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個(gè)問題。

介紹

Request類是一個(gè)http請(qǐng)求的類，對(duì)于爬蟲而言是一個(gè)很重要的類。通常在Spider中創(chuàng)建這樣的一個(gè)請(qǐng)求，在Downloader中執(zhí)行這樣的一個(gè)請(qǐng)求。同時(shí)也有一個(gè)子類FormRequest繼承于它，用于post請(qǐng)求。

在Spider中通常用法： 

yield scrapy.Request(url = 'zarten.com')

類屬性和方法有：

url  method  headers  body  meta  copy()  replace([url, method, headers, body, cookies, meta, encoding, dont_filter, callback, errback])

Request 

class scrapy.http.Request(url[, callback, method='GET', headers, body, cookies, meta, encoding='utf-8', priority=0, dont_filter=False, errback, flags])

參數(shù)說明:

•  url 請(qǐng)求的url

•  callback 回調(diào)函數(shù)，用于接收請(qǐng)求后的返回信息，若沒指定，則默認(rèn)為parse()函數(shù)

•  method http請(qǐng)求的方式，默認(rèn)為GET請(qǐng)求，一般不需要指定。若需要POST請(qǐng)求，用FormRequest即可

•  headers 請(qǐng)求頭信息，一般在settings中設(shè)置即可，也可在middlewares中設(shè)置

•  body str類型，為請(qǐng)求體，一般不需要設(shè)置（get和post其實(shí)都可以通過body來傳遞參數(shù)，不過一般不用）

•  cookies dict或list類型，請(qǐng)求的cookie dict方式(name和value的鍵值對(duì))：   

cookies = {'name1' : 'value1' , 'name2' : 'value2'}

list方式： 

cookies = [     {'name': 'Zarten', 'value': 'my name is Zarten', 'domain': 'example.com', 'path': '/currency'}     ]

•  encoding 請(qǐng)求的編碼方式，默認(rèn)為'utf-8'

•  priority int類型，指定請(qǐng)求的優(yōu)先級(jí)，數(shù)字越大優(yōu)先級(jí)越高，可以為負(fù)數(shù)，默認(rèn)為0

•  dont_filter 默認(rèn)為False，若設(shè)置為True，這次請(qǐng)求將不會(huì)過濾（不會(huì)加入到去重隊(duì)列中），可以多次執(zhí)行相同的請(qǐng)求

•  errback 拋出錯(cuò)誤的回調(diào)函數(shù)，錯(cuò)誤包括404，超時(shí)，DNS錯(cuò)誤等，***個(gè)參數(shù)為Twisted Failure實(shí)例   

from scrapy.spidermiddlewares.httperror import HttpError     from twisted.internet.error import DNSLookupError     from twisted.internet.error import TimeoutError, TCPTimedOutError     class ToScrapeCSSSpider(scrapy.Spider):         name = "toscrape-css"         # start_urls = [         #     'http://quotes.toscrape.com/',         # ]         start_urls = [             "http://www.httpbin.org/",  # HTTP 200 expected             "http://www.httpbin.org/status/404",  # Not found error             "http://www.httpbin.org/status/500",  # server issue             "http://www.httpbin.org:12345/",  # non-responding host, timeout expected             "http://www.httphttpbinbin.org/",  # DNS error expected         ]         def start_requests(self):             for u in self.start_urls:                 yield scrapy.Request(u, callback=self.parse_httpbin,                                      errback=self.errback_httpbin,                                      dont_filter=True)         def parse_httpbin(self, response):             self.logger.info('Got successful response from {}'.format(response.url))             # do something useful here...         def errback_httpbin(self, failure):             # log all failures             self.logger.info(repr(failure))             # in case you want to do something special for some errors,             # you may need the failure's type:             if failure.check(HttpError):                 # these exceptions come from HttpError spider middleware                 # you can get the non-200 response                 response = failure.value.response                 self.logger.info('HttpError錯(cuò)誤 on %s', response.url)             elif failure.check(DNSLookupError):                 # this is the original request                 request = failure.request                 self.logger.info('DNSLookupError錯(cuò)誤 on %s', request.url)             elif failure.check(TimeoutError, TCPTimedOutError):                 request = failure.request                 self.logger.info('TimeoutError錯(cuò)誤 on %s', request.url)

•  flags list類型，一般不會(huì)用到，發(fā)送請(qǐng)求的標(biāo)志，一般用于日志記錄

•  meta 可用戶自定義從Request到Response傳遞參數(shù)，這個(gè)參數(shù)一般也可在middlewares中處理   

yield scrapy.Request(url = 'zarten.com', meta = {'name' : 'Zarten'})

在Response中：

my_name = response.meta['name']

不過也有scrapy內(nèi)置的特殊key，也非常有用，它們?nèi)缦拢?/p>

•  proxy 設(shè)置代理，一般在middlewares中設(shè)置

可以設(shè)置http或https代理

request.meta['proxy'] = 'https://' + 'ip:port'

•  downloadtimeout 設(shè)置請(qǐng)求超時(shí)等待時(shí)間（秒），通常在settings中設(shè)置DOWNLOADTIMEOUT，默認(rèn)是180秒（3分鐘）

•  maxretrytimes ***重試次數(shù)（除去***次下載），默認(rèn)為2次，通常在settings中 RETRY_TIMES設(shè)置

•  dont_redirect 設(shè)為True后，Request將不會(huì)重定向

•  dont_retry 設(shè)為True后，對(duì)于http鏈接錯(cuò)誤或超時(shí)的請(qǐng)求將不再重試請(qǐng)求

•  handlehttpstatuslist http返回碼200-300之間都是成功的返回，超出這個(gè)范圍的都是失敗返回，scrapy默認(rèn)是過濾了這些返回，不會(huì)接收這些錯(cuò)誤的返回進(jìn)行處理。不過可以自定義處理哪些錯(cuò)誤返回：   

yield scrapy.Request(url= 'https://httpbin.org/get/zarten', meta= {'handle_httpstatus_list' : [404]})

在parse函數(shù)中可以看到處理404錯(cuò)誤：   

def parse(self, response):      print('返回信息為：',response.text)

•  handlehttpstatusall 設(shè)為True后，Response將接收處理任意狀態(tài)碼的返回信息

•  dontmergecookies scrapy會(huì)自動(dòng)保存返回的cookies，用于它的下次請(qǐng)求，當(dāng)我們指定了自定義cookies時(shí)，如果我們不需要合并返回的cookies而使用自己指定的cookies，可以設(shè)為True

•  cookiejar 可以在單個(gè)spider中追蹤多個(gè)cookie，它不是粘性的，需要在每次請(qǐng)求時(shí)都帶上       

def start_requests(self):             urls = ['http://quotes.toscrape.com/page/1',                     'http://quotes.toscrape.com/page/3',                     'http://quotes.toscrape.com/page/5',                     ]             for i ,url in enumerate(urls):                 yield scrapy.Request(urlurl= url, meta= {'cookiejar' : i})         def parse(self, response):             next_page_url = response.css("li.next > a::attr(href)").extract_first()             if next_page_url is not None:                 yield scrapy.Request(response.urljoin(next_page_url), meta= {'cookiejar' : response.meta['cookiejar']}, callback= self.parse_next)         def parse_next(self, response):             print('cookiejar:', response.meta['cookiejar'])

•  dont_cache 設(shè)為True后，不會(huì)緩存

•  redirect_urls 暫時(shí)還不清楚具體的作用，知道的小伙伴們歡迎在評(píng)論留言

•  bindaddress 綁定輸出IP

•  dontobeyrobotstxt 設(shè)為True，不遵守robots協(xié)議，通常在settings中設(shè)置

•  downloadmaxsize 設(shè)置下載器***下載的大小（字節(jié)），通常在settings中設(shè)置DOWNLOADMAXSIZE，默認(rèn)為1073741824 (1024MB=1G)，若不設(shè)置***的下載限制，設(shè)為0

•  download_latency 只讀屬性，獲取請(qǐng)求的響應(yīng)時(shí)間（秒）       

def start_requests(self):             headers = {                 'user-agent' : 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'             }             yield scrapy.Request(url= 'https://www.amazon.com', headersheaders= headers)         def parse(self, response):             print('響應(yīng)時(shí)間為：', response.meta['download_latency'])

•  downloadfailon_dataloss 很少用到，詳情看這里

•  referrer_policy 設(shè)置Referrer Policy

FormRequest

FormRequest 類為Request的子類，用于POST請(qǐng)求

這個(gè)類新增了一個(gè)參數(shù) formdata，其他參數(shù)與Request一樣，詳細(xì)可參考上面的講述

一般用法為: 

yield scrapy.FormRequest(url="http://www.example.com/post/action",                         formdata={'name': 'Zarten', 'age': '27'},                         callback=self.after_post)

看完上述內(nèi)容，你們掌握如何進(jìn)行Request的分析的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！