python - 在 Scrapy 中使用经过身份验证的 session 进行爬网

Question

在我的previous question ，我对我的问题不是很具体(使用经过身份验证的 Scrapy session 进行抓取)，希望能够从更一般的答案中推断出解决方案。我可能宁愿使用 crawling 这个词。

所以，到目前为止，这是我的代码:

class MySpider(CrawlSpider):
    name = 'myspider'
    allowed_domains = ['domain.com']
    start_urls = ['http://www.domain.com/login/']

    rules = (
        Rule(SgmlLinkExtractor(allow=r'-\w+.html$'), callback='parse_item', follow=True),
    )

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        if not "Hi Herman" in response.body:
            return self.login(response)
        else:
            return self.parse_item(response)

    def login(self, response):
        return [FormRequest.from_response(response,
                    formdata={'name': 'herman', 'password': 'password'},
                    callback=self.parse)]


    def parse_item(self, response):
        i['url'] = response.url

        # ... do more things

        return i

如您所见，我访问的第一个页面是登录页面。如果我还没有通过身份验证(在 parse 函数中)，我会调用我的自定义 login 函数，该函数会发布到登录表单。然后，如果我通过了身份验证，我想继续爬取。

问题是我为了登录而尝试覆盖的 parse 函数，现在不再进行必要的调用来抓取任何其他页面(我假设)。而且我不确定如何保存我创建的项目。

以前有人做过类似的事情吗？ (使用 CrawlSpider 进行身份验证，然后抓取)任何帮助将不胜感激。

Answer 1

不要覆盖 CrawlSpider 中的 parse 函数:

当您使用 CrawlSpider 时，不应覆盖 parse 函数。 CrawlSpider 文档中有一个警告:http://doc.scrapy.org/en/0.14/topics/spiders.html#scrapy.contrib.spiders.Rule

这是因为使用 CrawlSpider，parse(任何请求的默认回调)发送要由 Rule 处理的响应.

---

在抓取前登录:

为了在蜘蛛开始爬行之前进行某种初始化，您可以使用 InitSpider(继承自 CrawlSpider)，并覆盖 init_request 函数。该函数将在蜘蛛初始化时和开始爬行之前调用。

为了让蜘蛛开始爬行，你需要调用self.initialized。

您可以阅读负责此 here 的代码(它有有用的文档字符串)。

---

一个例子:

from scrapy.contrib.spiders.init import InitSpider
from scrapy.http import Request, FormRequest
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.contrib.spiders import Rule

class MySpider(InitSpider):
    name = 'myspider'
    allowed_domains = ['example.com']
    login_page = 'http://www.example.com/login'
    start_urls = ['http://www.example.com/useful_page/',
                  'http://www.example.com/another_useful_page/']

    rules = (
        Rule(SgmlLinkExtractor(allow=r'-\w+.html$'),
             callback='parse_item', follow=True),
    )

    def init_request(self):
        """This function is called before crawling starts."""
        return Request(url=self.login_page, callback=self.login)

    def login(self, response):
        """Generate a login request."""
        return FormRequest.from_response(response,
                    formdata={'name': 'herman', 'password': 'password'},
                    callback=self.check_login_response)

    def check_login_response(self, response):
        """Check the response returned by a login request to see if we are
        successfully logged in.
        """
        if "Hi Herman" in response.body:
            self.log("Successfully logged in. Let's start crawling!")
            # Now the crawling can begin..
            return self.initialized()
        else:
            self.log("Bad times :(")
            # Something went wrong, we couldn't log in, so nothing happens.

    def parse_item(self, response):

        # Scrape data from page

---

保存项目:

您的 Spider 返回的项目被传递到管道，该管道负责对数据执行您想要执行的任何操作。我建议您阅读文档:http://doc.scrapy.org/en/0.14/topics/item-pipeline.html

如果您对 Item 有任何问题/疑问，请随时提出新问题，我会尽力提供帮助。