爬虫基础知识

一、Scrapy

1、cookie设置

目前cookie的设置不支持在headers进行设置， 需要通过以下三种方式进行设置:
第一种：setting文件中设置cookie

当COOKIES_ENABLED是注释的时候，scrapy默认没有开启cookie。
当COOKIES_ENABLED没有注释设置为False的时候，scrapy默认使用了settings里面的cookie。
当COOKIES_ENABLED设置为True的时候，scrapy就会把settings的cookie关掉，使用自定义cookie。

注意：

当使用settings的cookie的时候，又把COOKIES_ENABLED设置为True，scrapy就会把settings的cookie关闭，而且也没使用自定义的cookie，会导致整个请求没有cookie,导致获取数据失败。
如果使用自定义cookie就把COOKIES_ENABLED设置为True
如果使用settings的cookie就把COOKIES_ENABLED设置为False

第二种：middlewares中设置cookie
在middlewares中的downloadermiddleware中的process_request中配置cookie，配置如下：

request.cookies=
{'Hm_lvt_a448cb27ae2acb9cdb5f92e1f0b454f3': '1665643660', 
' _ga': 'GA1.1.755852642.1665643660'
}

注意：cookie内容要以键值对的形式存在
第三种：在spider爬虫主文件中，重写start_request方法，在scrapy的Request函数的参数中传递cookies
重载start_requests方法

   def start_requests(self):
       headers = {
                   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) Gecko/20100101 Firefox/44.0"
                   }
       # 指定cookies
       cookies = 
       {
       'Hm_lvt_a448cb27ae2acb9cdb5f92e1f0b454f3': '1665643660', 
       ' _ga': 'GA1.1.755852642.1665643660'
       }

2、Get请求带参数

yield scrapy.FormRequest(
    url=url,
    method='GET',
    formdata=params,
    callback=self.parse_result
)

3、 item数据只有最后一条

只显示主页数据中爬到的最后一条数据，其他都正常
在这里插入图片描述
这是我对标签进行遍历时，将item对象放置在了for循环的外部。修改代码就好
修改前：

修改后：

成功

scrapy中的yield scrapy.Request 在传递item 的注意点，或者使用deepcopy

4、start_requests或者start_urls多个请求只请求第一个

默认情况下，scrapy防止重复请求。由于在起始url中只有参数不同，scrapy会将起始url中的其余url视为第一个url的重复请求。这就是为什么你的spider在获取第一个url后停止。为了解析其余的url，我们在scrapy请求中启用了dont_filter标志。
修改前：

    def start_requests(self):
        for i in range(10):
            yield scrapy.Request('https://baidu.com', self.parse, meta={"seq": i})

修改后:

    def start_requests(self):
        for i in range(10):
            yield scrapy.Request('https://baidu.com', self.parse, meta={"seq": i}, dont_filter=True)

5、数据流

在这里插入图片描述
Scrapy中的数据流是由执行引擎控制的，它是这样的：

Engine <component-engine>方法获取要来自Spider <component-spiders>爬取的初始请求。
Engine <component-engine> 将请求交给Scheduler <component-scheduler> 调度，并向Scheduler <component-scheduler> 索取下一个抓取请求。
Scheduler <component-scheduler> 从队列中返回下一个请求给Engine <component-engine> 。
Engine <component-engine> 通过Downloader middleware <component-download -middleware将请求发送给Downloader <component-downloader> 。
一旦页面完成下载，Downloader <component-downloader> 生成一个响应(带有该页面)并将其发送给引擎，传递给Downloader middleware <component-download -middleware。
Engine <component-engine> 从Downloader <component-downloader> 接收响应，并将其通过Spider Middleware <component- Spider Middleware发送到Spider <component- Spider > 进行处理。
Spider <component- Spider > 处理响应，并通过Spider Middleware <component- Spider Middleware向Engine <component-engine>返回抓取items和新请求。
Engine <component-engine> 将已处理的items发送到Item pipeline <component-pipeline > ，然后将已处理的请求发送到Scheduler <component-scheduler> ，并请求可能的下一个请求进行爬取。
该过程重复(从步骤3开始)，直到不再有来自Scheduler <component-scheduler> 的请求。

6、组件

Scrapy Engine
引擎负责控制系统所有组件之间的数据流，并在某些操作发生时触发事件。

Scheduler
scheduler <topics-scheduler> 从引擎接收请求，并将它们入队列，以便在引擎请求它们时稍后提供它们(也提供给引擎)。

Downloader
Downloader负责获取网页并将其提供给引擎，而引擎又将其提供给spiders。

Spiders
spider是由Scrapy用户编写的自定义类，用于解析响应并从中提取items <topics-items>或要发送的其他请求。

Item Pipeline
The Item Pipeline负责处理被spiders提取(或刮取)的items。典型的任务包括清理、验证和持久化(比如将items存储在数据库中)。

Downloader middlewares
下载器中间件是位于引擎和下载器之间的特定钩子，当请求从引擎传递到下载器时处理请求，并处理从下载器传递到引擎的响应。
如果需要执行以下操作之一，请使用Downloader中间件:

在请求被发送到Downloader之前处理它(即在Scrapy将请求发送到网站之前)。
发送给spider之前更改响应。
发送一个新的Request，而不是将收到的响应传递给spider。
在不获取网页的情况下将响应传递给爬行器
默默地放弃一些请求。

Spider middlewares
Spider middlewares是位于引擎和Spiders之间的特定钩子，能够处理spider输入(responses)和输出(items 和 requests)。
如果有以下需要，可以使用Spider中间件：

spider回调输出的后处理，更改、增加、删除请求或items。
start_requests的后处理。
spider的异常处理。
根据响应内容为某些请求调用errback而不是回调。

参考资料

https://www.jianshu.com/p/de3e0ed0c26b
https://blog.csdn.net/holmes369/article/details/104477183/
https://github.com/scrapy/scrapy/blob/master/docs/topics/architecture.rst
https://www.jianshu.com/p/8824623b551c