本文地址：https://www.jianshu.com/p/df7e56f2024c

数据提取（Selector）

在Scrapy中，封装了我们常用的提取数据的方式，有正则、Xpath、CSS选择器等。而且Selector是基于lxml构建的，这就意味着性能上不会有太大问题。

Xpath和CSS选择器

由于使用Xpath和CSS选择器来提取数据非常普遍，所以Scrapy在response中设置了两个快捷接口，可以很方便的在response中使用Xpath和CSS选择器。

>>> response.xpath('//title/text()')
[<Selector (text) xpath=//title/text()>]
>>> response.css('title::text')
[<Selector (text) xpath=//title/text()>]

可以看到，使用Selector获取的是一个Selector对象的列表，所以可以嵌套和混合Xpath和CSS选择器使用：

>>> response.css('img').xpath('@src').extract()
[u'image1_thumb.jpg',
 u'image2_thumb.jpg',
 u'image3_thumb.jpg',
 u'image4_thumb.jpg',
 u'image5_thumb.jpg']

同时，由于获得的是一个Selector对象，所以，如果需要实际的提取出文本数据，那么就要使用一个特殊的方法.extract()，这个方法提取出的会是一个列表，包含的是所有符合条件的内容。

>>> response.xpath('//title/text()').extract()
[u'Example website']

如果只需要提取一个数据，那么可以使用.extract_first()，这个方法会默认的提取出第一个结果。

>>> response.xpath('//div[@id="images"]/a/text()').extract_first()
u'Name: My image 1 '

这个方法如果没有提取到任何数据，那么将会返回一个None，当然，你也可以自行设定没有找到结果返回的内容。

>>> response.xpath('//div[@id="not-exists"]/text()').extract_first() is None
True
>>> response.xpath('//div[@id="not-exists"]/text()').extract_first(default='not-found')
'not-found'

正则表达式

Selector同样也提供了一个.re()方法，可以快捷的使用正则提供数据，但是由于正则提取出的结果都是字符串，所以正则提取的结果不再能够像.xpath()一样嵌套使用了。

>>> response.xpath('//a[contains(@href, "image")]/text()').re(r'Name:\s*(.*)')
[u'My image 1',
 u'My image 2',
 u'My image 3',
 u'My image 4',
 u'My image 5']

同时，对正则也提供了一个与.extract_first()相对应地.re_first()方法，可以只提取出第一个匹配的字符串。

>>> response.xpath('//a[contains(@href, "image")]/text()').re_first(r'Name:\s*(.*)')
u'My image 1'

Request

在Scrapy中，请求和响应都被封装成了一个个Request和Response对象，方便传递和进行处理。

在Spider的解析方法中，如果我们获得了接下来要访问的url，那么我们就需要使用yield Request()的方式生成一个Request对象，并返回出去。

这是目前大规模爬取基本都会使用的一个模式。

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

参数

• url (string) – 访问的URL，这是唯一一个必备参数。

• callback (callable) – 回调函数，网页请求完毕之后，将使用这个函数来解析获得的响应。如果没有指定这个参数，那么Scrapy将会默认调用Spider的parse()来处理。

  需要注意的是，如果在处理的过程中触发了异常，则会调用errback。

• method (string) – 请求方法，默认为'GET'。

• meta (dict) – 通过这个参数，可以将一些数据传递到接下来的callback中，传递数据使用的是浅拷贝的方式。

• body (str or unicode) – 请求体数据。

• headers (dict) – 请求报头。字典的值可以为列表（多个值的报头）。如果值为None，那么不会发送任何报头。

• cookies (dict or list) – cookies可以有字典和列表两种格式。

  1. 使用字典则可以正常的传递cookies

     request_with_cookies = Request(url="http://www.example.com",
                                    cookies={'currency': 'USD', 'country': 'UY'})
     

  2. 如果使用的是包含着字典的列表，那么可以在字典中附带上cookies的domain和path等参数

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

• encoding (string) – 编码格式，默认为utf-8。

• priority (int) – 优先级。Scheduler会使用这个参数来决定Request的处理顺序，优先级的值越高，则排的位置越前，越早被处理。允许使用负值来指定较低的优先级。

• dont_filter (boolean) – 如果这个值设定为True，那么这个请求将不会被Scheduler筛选，常常被用来发起一些重复的请求。谨慎使用这个参数，因为容易使爬取陷入死循环中，默认为False。

• errback (callable) – 在处理request时触发异常时调用的异常处理函数。

Request属性与方法

Request这个对象里也有一些属性和方法，可以在后续的处理中进行使用。

• url

  请求的url。

• method

  请求的方法。

• headers

  请求的headers。

• body

  请求的body。

• meta

  请求的元数据。

• copy()

  复制出一个新的Request对象。

• replace([url, method, headers, body, cookies, meta, encoding, dont_filter, callback, errback])**

  可以使用此方法将Request对象中的指定内容进行替换。

Request.meta中的特殊key

在构造Request对象的时候，可以使用Request.meta属性来传递一些数据到回调函数中。但是meta这个属性不止有这个作用，其中还有一些特殊的key有特殊的作用。

它们分别是：

• dont_redirect - 禁止重定向
• dont_retry - 禁止重试
• handle_httpstatus_list
• handle_httpstatus_all
• dont_merge_cookies
• cookiejar
• dont_cache - 禁止缓存
• redirect_urls
• bindaddress
• dont_obey_robotstxt - 不遵守robots.txt
• download_timeout - 下载超时时间
• download_maxsize - 最大下载大小
• download_latency
• download_fail_on_dataloss
• proxy - 设置代理
• ftp_user (See FTP_USER for more info)
• ftp_password (See FTP_PASSWORD for more info)
• referrer_policy
• max_retry_times - 最大重试次数

FormRequest

FormRequest是Request的子类，主要是扩展了处理HTML表单的功能。

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

FormRequest添加了一个formdata参数，其余的参数都与Request相同。

• formdata(dict对象或者可迭代的一系列tuple) - 这个属性包含了HTML的表单数据，并且会被url编码并分配给请求的请求体。

这个子类最大的作用是在发送POST请求时，能够使用字典发送POST提交的表单数据。

例子：

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

系列文章：

• Scrapy-1.强大与全面的Python爬虫框架
• Scrapy-2.Spiders
• Scrapy-3.Selector和Request
• Scrapy-4.Middleware
• Scrapy-5.Items
• Scrapy-6.Settings
• Scrapy-7.Scrapy-redis
• Scrapy-8.Scrapyd
• Scrapy-9.常见问题