11 Scrapy框架之递归解析和post请求

一.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切持久化存储

　　- 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:

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:
            author=div.xpath('.//div[@class="author clearfix"]//h2/text()').extract_first()
            author=author.strip('
')
            content=div.xpath('.//div[@class="content"]/span/text()').extract_first()
            content=content.strip('
')
            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)

二.五大核心组件工作流程

　　。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. 可以想像成一个URL（抓取网页的网址或者说是链接）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下载器是建立在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自己需要的信息，所谓的实体（item）。用户也可以从中提取出链接，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，主要功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，被发送到项目管道，经过几个特定的次序处理数据。

三. Post请求的发送

　　- 在之前的代码中，我们从来没有手动的对start_urls列表中的起始url进行请求的发送，但是起始url的确是进行请求的发送，如何实现的呢？

　　　　-- 其实是因为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,该方法就可以对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)

　　该方法默认的实现，是对起始的url发起get请求，如果想发起post请求，则需要子类重写该方法。

　　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)