scrapy框架的递归解析和post请求方式

递归爬取解析多页页面数据

需求展现

　　将xx直聘网站搜索关键字后全部页码的做者和薪资数据进行爬取持久化存储

需求分析

　　每个页面对应一个url，则scrapy工程须要对每个页码对应的url依次发起请求，而后经过对应的解析方法进行做者和段子内容的解析

实现方案

　　1.将每个页码对应的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。

 

代码编辑

import scrapy
from bossPro.items import BossproItem

class BossSpider(scrapy.Spider):
    name = 'boss'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.zhipin.com/job_detail/?query=python%E5%BC%80%E5%8F%91&city=101010100&industry=&position=']

    #通用模板，不可变（每页的url）
    url='https://www.zhipin.com/c101010100/?query=python开发&page=%d'
    page=2

    def parse(self, response):
        print(f'正在爬取第{self.page}页的数据')
        li_list=response.xpath('//*[@id="main"]/div/div[3]/ul/li | //*[@id="main"]/div/div[2]/ul/li')
        for li in li_list:
            job_title=li.xpath('.//div[@class="info-primary"]/h3/a/div[1]/text()').extract_first()
            job_salary=li.xpath('.//div[@class="info-primary"]/h3/a/span/text()').extract_first()

            item=BossproItem()
            item['job_title']=job_title
            item['job_salary']=job_salary
            yield  item   #提交item到管道进行持久化

        if self.page <=5:
            #要想访问其余页码的数据，须要手动发送请求
            new_url=format(self.url%self.page)
            self.page+=1
            #手动请求发送,call_back(回到函数)就是数据解析
            #在手动请求发送时必须加上yield
　　　　　　　#递归爬取数据，callback参数为回调函数（将url请求后，获得相应的数据继续进行parse解析
            yield scrapy.Request(new_url,callback=self.parse)      

全站数据的爬取

- 全站数据的爬取
    - 基于手动请求发送实现
        - 实现全站数据爬取
        - 实现深度爬取
     - 手动请求发送：
        - yield scrapy.Request(url,callback)
        - yield scrapy.FormRequest(url,formdata,callback)

爬取网站标签跳转内容信息

 

　　在上面的需求上再加上爬取每一个招聘岗位的详细信息，这就须要咱们先行把每一个详细信息的url爬取出来，再拿取详细信息

代码展现

# -*- coding: utf-8 -*-
import scrapy
from bossDeepPro.items import BossdeepproItem

class BossSpider(scrapy.Spider):
    name = 'boss'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.zhipin.com/job_detail/?query=python%E5%BC%80%E5%8F%91&city=101010100&industry=&position=']

    # 通用的url模板（不可变）
    url = 'https://www.zhipin.com/c101010100/?query=python开发&page=%d'
    page = 2

    def parse(self, response):
        print('正在爬取第{}页的数据'.format(self.page))
        li_list = response.xpath('//*[@id="main"]/div/div[3]/ul/li | //*[@id="main"]/div/div[2]/ul/li')
        for li in li_list:
            job_title = li.xpath('.//div[@class="info-primary"]/h3/a/div[1]/text()').extract_first()
            salary = li.xpath('.//div[@class="info-primary"]/h3/a/span/text()').extract_first()
            #实例化item对象：对象必需要让parse和parse_detail共享
            item = BossdeepproItem()
            item['job_title'] = job_title
            item['salary'] = salary

            detail_url = 'https://www.zhipin.com'+li.xpath('.//div[@class="info-primary"]/h3/a/@href').extract_first()
            #对详情页的url发起手动请求
            yield scrapy.Request(url=detail_url,callback=self.parse_detail,meta={'item':item})


        if self.page <= 5:
            # 对其余页码进行手动请求的发送
            new_url = format(self.url % self.page)
            print(new_url)
            self.page += 1
            # 手动请求发送
            # callback进行数据解析
            yield scrapy.Request(url=new_url, callback=self.parse)

    #解析岗位描述
    def parse_detail(self,response):
        item = response.meta['item']
        job_desc = response.xpath('//*[@id="main"]/div[3]/div/div[2]/div[2]/div[1]/div//text()').extract()
        job_desc = ''.join(job_desc)

        item['job_desc'] = job_desc

        yield item

深度爬取

- 深度爬取
    - 手动请求发送
    - 请求传参：持久化存储,将不一样的回调中解析的数据存储到同一个item对象。请求传参传递的就是item对象。
        - 使用场景：若是使用scrapy爬取的数据没有在同一张页面中
        - 传递方式：将传递数据封装到meta字典中，meta传递个了callback
            yield scrapy.Request(url,callback,meta)
        - 接收：
            在callback指定的回调函数中使用response进行接收：
                - item = response.meta['key']

五大核心组件工做流程

引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 能够想像成一个URL（抓取网页的网址或者说是连接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是创建在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取本身须要的信息, 即所谓的实体(Item)。用户也能够从中提取出连接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证明体的有效性、清除不须要的信息。当页面被爬虫解析后，将被发送到项目管道，并通过几个特定的次序处理数据。

post请求发送

- 问题：在以前代码中，咱们历来没有手动的对start_urls列表中存储的起始url进行过请求的发送，可是起始url的确是进行了请求的发送，那这是如何实现的呢？

- 解答：实际上是由于爬虫文件中的爬虫类继承到了Spider父类中的start_requests（self）这个方法，该方法就能够对start_urls列表中的url发起请求：

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

注意：该方法默认的实现，是对起始的url发起get请求，若是想发起post请求，则须要子类重写该方法。

　　-方法： 重写start_requests方法，让其发起post请求：

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)

如何提升scrapy的爬取效率

增长并发：
    默认scrapy开启的并发线程为32个，能够适当进行增长。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。

下降日志级别：
    在运行scrapy时，会有大量日志信息的输出，为了减小CPU的使用率。能够设置log输出信息为INFO或者ERROR便可。在配置文件中编写：LOG_LEVEL = ‘INFO’

禁止cookie：
    若是不是真的须要cookie，则在scrapy爬取数据时能够进制cookie从而减小CPU的使用率，提高爬取效率。在配置文件中编写：COOKIES_ENABLED = False

禁止重试：
    对失败的HTTP进行从新请求（重试）会减慢爬取速度，所以能够禁止重试。在配置文件中编写：RETRY_ENABLED = False

减小下载超时：
    若是对一个很是慢的连接进行爬取，减小下载超时能够能让卡住的连接快速被放弃，从而提高效率。在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s

Scrapy的日志等级

　　- 在使用scrapy crawl spiderFileName运行程序时，在终端里打印输出的就是scrapy的日志信息。

　　- 日志信息的种类：

　　　　　　　　ERROR ： 通常错误

　　　　　　　　WARNING : 警告

　　　　　　　　INFO : 通常的信息

　　　　　　　　DEBUG ： 调试信息

　　　　　　　

　　- 设置日志信息指定输出：

　　　　在settings.py配置文件中，加入

                    LOG_LEVEL = ‘指定日志信息种类’便可。

                    LOG_FILE = 'log.txt'则表示将日志信息写入到指定文件中进行存储。