2----scrapy框架之代理and日志级和请求传参

一、代理

爬虫文件 daili.py

class DailiSpider(scrapy.Spider):

    name = 'daili'

    #allowed_domains = ['www.xxx.com']

    start_urls = ['https://www.baidu.com/s?wd=ip']

    def parse(self, response):

       page_text = response.text

       with open('daili.html','w',encoding='utf-8') as fp:

           fp.write(page_text)

middlewares.py

class FirstScrapyDownloaderMiddleware(object):

    # ....等

    # 只修改这一个process_request函数参数

    def process_request(self, request, spider):

        # request参数表示的就是拦截到的请求对象,代理ip

        request.meta['proxy'] = "https://151.106.15.3:1080"

        return None

开启中间件 settings.py557行

DOWNLOADER_MIDDLEWARES = {

   'first_scrapy.middlewares.FirstScrapyDownloaderMiddleware': 543,

}

scrapy crawl daili --nolog 会保存daili.html 在刘拉你打输入ip显示美国的ip

二、Scrapy的日志等级

在使用scrapy crawl spiderFileName运行程序时，在终端里打印输出的就是scrapy的日志信息。

日志信息的种类：

　　ERROR ：一般错误

　　WARNING : 警告

　　INFO : 一般的信息

　　DEBUG ：调试信息

　　默认的显示级别是DEBUG

设置日志信息指定输出：

　　在 settings.py配置文件中，加入 LOG_LEVEL = ‘指定日志信息种类’ 即可。LOG_FILE = 'log.txt' 则表示将日志信息写入到指定文件中进行存储。

LOG_LEVEL = "DEBUG"
LOG_FILE = "log.tx"

三、请求传参

　　在某些情况下，我们爬取的数据不在同一个页面中，例如，我们爬取一个电影网站，电影的名称，评分在一级页面，而要爬取的其他电影详情在其二级子页面中。这时我们就需要用到请求传参。

　　案例展示：爬取 www.id97.com电影网，将一级页面中的电影名称，类型，评分一级二级页面中的上映时间，导演，片长进行爬取。

爬取文件：

# -*- coding: utf-8 -*-

import scrapy

from moviePro.items import MovieproItem

class MovieSpider(scrapy.Spider):

    name = 'movie'

    allowed_domains = ['www.id97.com']

    start_urls = ['http://www.id97.com/']

    def parse(self, response):

        div_list = response.xpath('//div[@class="col-xs-1-5 movie-item"]')

        for div in div_list:

            item = MovieproItem()

            item['name'] = div.xpath('.//h1/a/text()').extract_first()

            item['score'] = div.xpath('.//h1/em/text()').extract_first()

            #xpath(string(.))表示提取当前节点下所有子节点中的数据值（.）表示当前节点

            item['kind'] = div.xpath('.//div[@class="otherinfo"]').xpath('string(.)').extract_first()

            item['detail_url'] = div.xpath('./div/a/@href').extract_first()

            #请求二级详情页面，解析二级页面中的相应内容,通过meta参数进行Request的数据传递

            yield scrapy.Request(url=item['detail_url'],callback=self.parse_detail,meta={'item':item})

    def parse_detail(self,response):

        #通过response获取item

        item = response.meta['item']

        item['actor'] = response.xpath('//div[@class="row"]//table/tr[1]/a/text()').extract_first()

        item['time'] = response.xpath('//div[@class="row"]//table/tr[7]/td[2]/text()').extract_first()

        item['long'] = response.xpath('//div[@class="row"]//table/tr[8]/td[2]/text()').extract_first()

        #提交item到管道

        yield item

items文件：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items

#

# See documentation in:

# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class MovieproItem(scrapy.Item):

    # define the fields for your item here like:

    name = scrapy.Field()

    score = scrapy.Field()

    time = scrapy.Field()

    long = scrapy.Field()

    actor = scrapy.Field()

    kind = scrapy.Field()

    detail_url = scrapy.Field()

管道文件：

# -*- coding: utf-8 -*-

# Define your item pipelines here

#

# Don't forget to add your pipeline to the ITEM_PIPELINES setting

# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

import json

class MovieproPipeline(object):

    def __init__(self):

        self.fp = open('data.txt','w')

    def process_item(self, item, spider):

        dic = dict(item)

        print(dic)

        json.dump(dic,self.fp,ensure_ascii=False)

        return item

    def close_spider(self,spider):

        self.fp.close()