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()