Scrapy爬虫框架实现翻页提取数据 定位下一页的URL并发送Get请求

scrapy框架爬虫感觉最关键的就是实现翻页请求了。我们在使用requests模块的时候,想要实现翻页,就需要找到下一页的url地址,然后再次使用requests.get()请求就可以了。那么在scrapy中,实现翻页操作,肯定首先需要找到下一页的url地址,然后构造一个关于下一页url地址的request请求传递给调度器,这里主要使用scrapy.Request()方法发送请求,我们来看一下具体的参数:

scrapy.Request(url ,
    callback,
    method='GET',
    headers,
    body,
    cookies,
    meta,
    dont_filter=False
)

一般文档中括号中的参数表示可选参数。其中需要重点注意的参数:

  • callback:指定传入的url交给那个解析函数去处理
  • meta:实现在不同的解析函数中传递数据。meta默认会携带部分信息,比如:下载延迟,请求深度等。
  • dont_filter:让Scrapy的去重不会过滤当前url。Scrapy默认有url去重的功能,对需要重复请求的url具有重要意义。

我们可以发现scrapy.Request( )参数中存在headers和cookies,通常我们使用requests.get( )的时候可以把cookies放到headers中去,这个是没有问题的,但是在Scrapy中是不可以把cookies放入headers中去的,不然为什么会有两个参数,这不是多余吗,你也可以自己试试,把cookies放到headers中去,是没有任何效果的。

def parse(self, response):
    next_page_url = response.xpath("//a[text()='下一页']/@href").extract()
    while len(next_page_url) > 0:
        yield scrapy.Request(next_page_url, callback=self.parse)
        # scrapy.Request能构建一个requests,同时指定提取数据的callback函数    
 

具体想要实现翻页,请求详情页,具体的代码就需要在爬虫spider中编写代码。那么我们通过一个案例来演示如何实现翻页,以及请求详情页数据。

发表评论