[[239300]]

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(chuàng)建這樣的一個請求，在Downloader中執(zhí)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(yōu)先級，數字越大優(yōu)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(zhí)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(fā)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(tài)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?。ㄗ止?jié)），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)