26. Scrapy 框架-模拟登录-Request、Response

26. Scrapy 框架-模拟登录-Request、Response

一月 26, 2020

1. Scrapy-Request和Response（请求和响应）

Scrapy的Request和Response对象用于爬网网站。

通常，Request对象在爬虫程序中生成并传递到系统，直到它们到达下载程序，后者执行请求并返回一个Response对象，该对象返回到发出请求的爬虫程序。

1
2
3
4
sequenceDiagram
爬虫->>Request: 创建
Request->>Response:获取下载数据
Response->>爬虫:数据

2. Request对象

1
class scrapy.http.Request(url[, callback, method='GET', headers, body, cookies, meta, encoding='utf-8', priority=0, dont_filter=False, errback])

一个Request对象表示一个HTTP请求，它通常是在爬虫生成，并由下载执行，从而生成Response

  • 参数

    • url（string） - 此请求的网址

    • callback（callable） - 将使用此请求的响应（一旦下载）作为其第一个参数调用的函数。有关更多信息，请参阅下面的将附加数据传递给回调函数。如果请求没有指定回调，parse()将使用spider的 方法。请注意，如果在处理期间引发异常，则会调用errback。

    • method（string） - 此请求的HTTP方法。默认为’GET’。可设置为”GET”, “POST”, “PUT”等，且保证字符串大写

    • meta（dict） - 属性的初始值Request.meta,在不同的请求之间传递数据使用

    • body（str或unicode） - 请求体。如果unicode传递了a，那么它被编码为 str使用传递的编码（默认为utf-8）。如果 body没有给出，则存储一个空字符串。不管这个参数的类型，存储的最终值将是一个str（不会是unicode或None）。

    • headers（dict） - 这个请求的头。dict值可以是字符串（对于单值标头）或列表（对于多值标头）。如果 None作为值传递，则不会发送HTTP头.一般不需要

    • encoding: 使用默认的 ‘utf-8’ 就行。

    • cookie（dict或list） - 请求cookie。这些可以以两种形式发送。

      • 使用dict：
        1
        request_with_cookies = Request(url="http://www.sxt.cn/index/login/login.html",)

    • 使用列表：

      1
      2
      3
      4
      5
      request_with_cookies = Request(url="http://www.example.com",
                                   cookies=[{'name': 'currency',
                                            'value': 'USD',
                                            'domain': 'example.com',
                                            'path': '/currency'}])

      后一种形式允许定制 cookie的属性domain和path属性。这只有在保存Cookie用于以后的请求时才有用

1
2
3
request_with_cookies = Request(url="http://www.example.com",
                               cookies={'currency': 'USD', 'country': 'UY'},
                               meta={'dont_merge_cookies': True})

将附加数据传递给回调函数

请求的回调是当下载该请求的响应时将被调用的函数。将使用下载的Response对象作为其第一个参数来调用回调函数

1
2
3
4
5
6
7
8
9
10
11
12
def parse_page1(self, response):
    item = MyItem()
    item['main_url'] = response.url
    request = scrapy.Request("http://www.example.com/some_page.html",
                             callback=self.parse_page2)
    request.meta['item'] = item
    return request

def parse_page2(self, response):
    item = response.meta['item']
    item['other_url'] = response.url
    return item

3 请求子类 FormRequest对象

FormRequest类扩展了Request具有处理HTML表单的功能的基础。它使用lxml.html表单 从Response对象的表单数据预填充表单字段

1
class scrapy.http.FormRequest(url[, formdata, ...])

本FormRequest类增加了新的构造函数的参数。其余的参数与Request类相同，这里没有记录

  • 参数：formdata（元组的dict或iterable） - 是一个包含HTML Form数据的字典（或（key，value）元组的迭代），它将被url编码并分配给请求的主体。

该FormRequest对象支持除标准以下类方法Request的方法：

1
classmethod from_response(response[, formname=None, formid=None, formnumber=0, formdata=None, formxpath=None, formcss=None, clickdata=None, dont_click=False, ...])

返回一个新FormRequest对象，其中的表单字段值已预先<form>填充在给定响应中包含的HTML 元素中.

参数：

  • response（Responseobject） - 包含将用于预填充表单字段的HTML表单的响应
  • formname（string） - 如果给定，将使用name属性设置为此值的形式
  • formid（string） - 如果给定，将使用id属性设置为此值的形式
  • formxpath（string） - 如果给定，将使用匹配xpath的第一个表单
  • formcss（string） - 如果给定，将使用匹配css选择器的第一个形式
  • formnumber（integer） - 当响应包含多个表单时要使用的表单的数量。第一个（也是默认）是0
  • formdata（dict） - 要在表单数据中覆盖的字段。如果响应元素中已存在字段，则其值将被在此参数中传递的值覆盖
  • clickdata（dict） - 查找控件被点击的属性。如果没有提供，表单数据将被提交，模拟第一个可点击元素的点击。除了html属性，控件可以通过其相对于表单中其他提交表输入的基于零的索引，通过nr属性来标识
  • dont_click（boolean） - 如果为True，表单数据将在不点击任何元素的情况下提交

3.1 请求使用示例

使用FormRequest通过HTTP POST发送数据

如果你想在你的爬虫中模拟HTML表单POST并发送几个键值字段，你可以返回一个FormRequest对象（从你的爬虫）像这样：

1
2
3
return [FormRequest(url="http://www.example.com/post/action",
                    formdata={'name': 'John Doe', 'age': '27'},
                    callback=self.after_post)]

使用FormRequest.from_response（）来模拟用户登录

网站通常通过元素（例如会话相关数据或认证令牌（用于登录页面））提供预填充的表单字段。进行剪贴时，您需要自动预填充这些字段，并且只覆盖其中的一些，例如用户名和密码。您可以使用 此作业的方法。这里有一个使用它的爬虫示例：

1
<input type="hidden"> FormRequest.from_response()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import scrapy

class LoginSpider(scrapy.Spider):
    name = 'example.com'
    start_urls = ['http://www.example.com/users/login.php']

    def parse(self, response):
        return scrapy.FormRequest.from_response(
            response,
            formdata={'username': 'john', 'password': 'secret'},
            callback=self.after_login
        )

    def after_login(self, response):
        # check login succeed before going on
        if "authentication failed" in response.body:
            self.logger.error("Login failed")
            return

        # continue scraping with authenticated session...

4 响应对象

1
class scrapy.http.Response(url[, status=200, headers=None, body=b'', flags=None, request=None])

一个Response对象表示的HTTP响应，这通常是下载（由下载），并供给到爬虫进行处理

参数：

  • url（string） - 此响应的URL
  • status（integer） - 响应的HTTP状态。默认为200
  • headers（dict） - 这个响应的头。dict值可以是字符串（对于单值标头）或列表（对于多值标头）
  • body（str） - 响应体。它必须是str，而不是unicode，除非你使用一个编码感知响应子类，如 TextResponse
  • flags（list） - 是一个包含属性初始值的 Response.flags列表。如果给定，列表将被浅复制
  • request（Requestobject） - 属性的初始值Response.request。这代表Request生成此响应

5 模拟登录

用的函数：

  • start_requests()可以返回一个请求给爬虫的起始网站，这个返回的请求相当于start_urls，start_requests()返回的请求会替代start_urls里的请求

  • Request()get请求，可以设置，url、cookie、回调函数

  • FormRequest.from_response()表单post提交，第一个必须参数，上一次响应cookie的response对象，其他参数，cookie、url、表单内容等

  • yield Request()可以将一个新的请求返回给爬虫执行

在发送请求时cookie的操作，

  • meta={‘cookiejar’:1}表示开启cookie记录，首次请求时写在Request()里
  • meta={‘cookiejar’:response.meta[‘cookiejar’]}表示使用上一次response的cookie，写在FormRequest.from_response()里post授权
  • meta={‘cookiejar’:True}表示使用授权后的cookie访问需要登录查看的页面

获取Scrapy框架Cookies

样例代码

start_requests()方法，可以返回一个请求给爬虫的起始网站，这个返回的请求相当于start_urls，start_requests()返回的请求会替代start_urls里的请求

在发送请求时cookie的操作

meta={'cookiejar':1}表示开启cookie记录，首次请求时写在Request()里

meta={'cookiejar':response.meta['cookiejar']}表示使用上一次response的cookie，写在Request里post授权

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
import scrapy
from scrapy import Request
from scrapy import FormRequest


class SxtSpiderSpider(scrapy.Spider):
    name = 'sxt1'
    allowed_domains = ['sxt.cn']

    def start_requests(self):
        return [Request('http://www.sxt.cn/index/login/login.html', meta={'cookiejar': 1}, callback=self.parse)]

    def parse(self, response):
        formdata = {
            "user": "17703181473", "password": "123456"
        }
        return FormRequest(                                        formdata=formdata,
                                        url='http://www.sxt.cn/index/login/login.html',
                                        meta={'cookiejar': response.meta['cookiejar']},
                                        callback=self.login_after)

    def login_after(self, response):
        yield scrapy.Request('http://www.sxt.cn/index/user.html',
                             meta={"cookiejar": response.meta['cookiejar']},
                             callback=self.next)
    def next(self,response):
        print(response.text)
  1. 1. 1. Scrapy-Request和Response（请求和响应）
  2. 2. 2. Request对象
    1. 2.1. 将附加数据传递给回调函数
  3. 3. 3 请求子类 FormRequest对象
    1. 3.1. 3.1 请求使用示例
  4. 4. 4 响应对象
  5. 5. 5 模拟登录