如何進行Request的分析

如何進行Request的分析，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

介紹

Request類是一個http請求的類，對于爬蟲而言是一個很重要的類。通常在Spider中創建這樣的一個請求，在Downloader中執行這樣的一個請求。同時也有一個子類FormRequest繼承于它，用于post請求。

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])

參數說明:

•  url 請求的url

•  callback 回調函數，用于接收請求后的返回信息，若沒指定，則默認為parse()函數

•  method http請求的方式，默認為GET請求，一般不需要指定。若需要POST請求，用FormRequest即可

•  headers 請求頭信息，一般在settings中設置即可，也可在middlewares中設置

•  body str類型，為請求體，一般不需要設置（get和post其實都可以通過body來傳遞參數，不過一般不用）

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

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

list方式： 

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

•  encoding 請求的編碼方式，默認為'utf-8'

•  priority int類型，指定請求的優先級，數字越大優先級越高，可以為負數，默認為0

•  dont_filter 默認為False，若設置為True，這次請求將不會過濾（不會加入到去重隊列中），可以多次執行相同的請求

•  errback 拋出錯誤的回調函數，錯誤包括404，超時，DNS錯誤等，***個參數為Twisted Failure實例   

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錯誤 on %s', response.url)             elif failure.check(DNSLookupError):                 # this is the original request                 request = failure.request                 self.logger.info('DNSLookupError錯誤 on %s', request.url)             elif failure.check(TimeoutError, TCPTimedOutError):                 request = failure.request                 self.logger.info('TimeoutError錯誤 on %s', request.url)

•  flags list類型，一般不會用到，發送請求的標志，一般用于日志記錄

•  meta 可用戶自定義從Request到Response傳遞參數，這個參數一般也可在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內置的特殊key，也非常有用，它們如下：

•  proxy 設置代理，一般在middlewares中設置

可以設置http或https代理

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

•  downloadtimeout 設置請求超時等待時間（秒），通常在settings中設置DOWNLOADTIMEOUT，默認是180秒（3分鐘）

•  maxretrytimes ***重試次數（除去***次下載），默認為2次，通常在settings中 RETRY_TIMES設置

•  dont_redirect 設為True后，Request將不會重定向

•  dont_retry 設為True后，對于http鏈接錯誤或超時的請求將不再重試請求

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

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

在parse函數中可以看到處理404錯誤：   

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

•  handlehttpstatusall 設為True后，Response將接收處理任意狀態碼的返回信息

•  dontmergecookies scrapy會自動保存返回的cookies，用于它的下次請求，當我們指定了自定義cookies時，如果我們不需要合并返回的cookies而使用自己指定的cookies，可以設為True

•  cookiejar 可以在單個spider中追蹤多個cookie，它不是粘性的，需要在每次請求時都帶上       

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 設為True后，不會緩存

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

•  bindaddress 綁定輸出IP

•  dontobeyrobotstxt 設為True，不遵守robots協議，通常在settings中設置

•  downloadmaxsize 設置下載器***下載的大小（字節），通常在settings中設置DOWNLOADMAXSIZE，默認為1073741824 (1024MB=1G)，若不設置***的下載限制，設為0

•  download_latency 只讀屬性，獲取請求的響應時間（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('響應時間為：', response.meta['download_latency'])

•  downloadfailon_dataloss 很少用到，詳情看這里

•  referrer_policy 設置Referrer Policy

FormRequest

FormRequest 類為Request的子類，用于POST請求

這個類新增了一個參數 formdata，其他參數與Request一樣，詳細可參考上面的講述

一般用法為: 

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

看完上述內容，你們掌握如何進行Request的分析的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！