介绍
Request类是一个http请求的类，对于爬虫而言是一个很重要的类。通常在Spider中创建这样的一个请求，在Downloader中执行这样的一个请求。同时也有一个子类FormRequest继承于它，用于post请求。
在Spider中通常用法：
- yield scrapy.Request(url = 'zarten.com')
类属性和方法有：
- 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])
参数说明:
- url 请求的url
- callback 回调函数，用于接收请求后的返回信息，若没指定，则默认为parse()函数
- method http请求的方式，默认为GET请求，一般不需要指定。若需要POST请求，用FormRequest即可
- headers 请求头信息，一般在settings中设置即可，也可在middlewares中设置
- body str类型，为请求体，一般不需要设置（get和post其实都可以通过body来传递参数，不过一般不用）
- cookies dict或list类型，请求的cookie dict方式(name和value的键值对)：
- cookies = {'name1' : 'value1' , 'name2' : 'value2'}
list方式：
- cookies = [
- {'name': 'Zarten', 'value': 'my name is Zarten', 'domain': 'example.com', 'path': '/currency'}
- ]
- encoding 请求的编码方式，默认为'utf-8'
- priority int类型，指定请求的优先级，数字越大优先级越高，可以为负数，默认为0
- dont_filter 默认为False，若设置为True，这次请求将不会过滤（不会加入到去重队列中），可以多次执行相同的请求
- errback 抛出错误的回调函数，错误包括404，超时，DNS错误等，***个参数为Twisted Failure实例
- 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错误 on %s', response.url)
- elif failure.check(DNSLookupError):
- # this is the original request
- request = failure.request
- self.logger.info('DNSLookupError错误 on %s', request.url)
- elif failure.check(TimeoutError, TCPTimedOutError):
- request = failure.request
- self.logger.info('TimeoutError错误 on %s', request.url)
- flags list类型，一般不会用到，发送请求的标志，一般用于日志记录
- meta 可用户自定义从Request到Response传递参数，这个参数一般也可在middlewares中处理
- yield scrapy.Request(url = 'zarten.com', meta = {'name' : 'Zarten'})
在Response中：
- my_name = response.meta['name']
不过也有scrapy内置的特殊key，也非常有用，它们如下：
- proxy 设置代理，一般在middlewares中设置
可以设置http或https代理
- request.meta['proxy'] = 'https://' + 'ip:port'
- downloadtimeout 设置请求超时等待时间（秒），通常在settings中设置DOWNLOADTIMEOUT，默认是180秒（3分钟）
- maxretrytimes ***重试次数（除去***次下载），默认为2次，通常在settings中 RETRY_TIMES设置
- dont_redirect 设为True后，Request将不会重定向
- dont_retry 设为True后，对于http链接错误或超时的请求将不再重试请求
- handlehttpstatuslist http返回码200-300之间都是成功的返回，超出这个范围的都是失败返回，scrapy默认是过滤了这些返回，不会接收这些错误的返回进行处理。不过可以自定义处理哪些错误返回：
- yield scrapy.Request(url= 'https://httpbin.org/get/zarten', meta= {'handle_httpstatus_list' : [404]})
在parse函数中可以看到处理404错误：
- def parse(self, response):
- print('返回信息为：',response.text)
- handlehttpstatusall 设为True后，Response将接收处理任意状态码的返回信息
- dontmergecookies scrapy会自动保存返回的cookies，用于它的下次请求，当我们指定了自定义cookies时，如果我们不需要合并返回的cookies而使用自己指定的cookies，可以设为True
- cookiejar 可以在单个spider中追踪多个cookie，它不是粘性的，需要在每次请求时都带上
- 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 设为True后，不会缓存
- redirect_urls 暂时还不清楚具体的作用，知道的小伙伴们欢迎在评论留言
- bindaddress 绑定输出IP
- dontobeyrobotstxt 设为True，不遵守robots协议，通常在settings中设置
- downloadmaxsize 设置下载器***下载的大小（字节），通常在settings中设置DOWNLOADMAXSIZE，默认为1073741824 (1024MB=1G)，若不设置***的下载限制，设为0
- download_latency 只读属性，获取请求的响应时间（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('响应时间为：', response.meta['download_latency'])
- downloadfailon_dataloss 很少用到，详情看这里
- referrer_policy 设置Referrer Policy
FormRequest
FormRequest 类为Request的子类，用于POST请求
这个类新增了一个参数 formdata，其他参数与Request一样，详细可参考上面的讲述
一般用法为:
- yield scrapy.FormRequest(url="http://www.example.com/post/action",
- formdata={'name': 'Zarten', 'age': '27'},
- callback=self.after_post)
