在上面的代码中,FormRequest
用于进行身份验证的将该after_login
函数设置为其回调。这意味着该after_login
函数将被调用并传递登录尝试得到的页面作为响应。
然后,通过在页面中搜索特定的字符串(在本例中为)来检查您是否成功登录"authentication Failed"
。如果找到它,蜘蛛就会结束。
现在,一旦蜘蛛走了那么远,它就知道它已经成功通过了身份验证,您就可以开始产生新的请求和/或抓取数据了。因此,在这种情况下:
from scrapy.selector import HtmlXPathSelector
from scrapy.http import Request
# ...
def after_login(self, response):
# check login succeed before going on
if "authentication Failed" in response.body:
self.log("Login Failed", level=log.ERROR)
return
# We've successfully authenticated, let's have some fun!
else:
return Request(url="http://www.example.com/tastypage/",
callback=self.parse_tastypage)
def parse_tastypage(self, response):
hxs = HtmlXPathSelector(response)
yum = hxs.select('//img')
# etc.
如果您 ,则有一个蜘蛛示例,该示例会在刮刮之前进行身份验证。
在这种情况下,它将处理parse
函数中的内容(任何请求的默认回调)。
def parse(self, response):
hxs = HtmlXPathSelector(response)
if hxs.select("//form[@id='UsernameLoginForm_LoginForm']"):
return self.login(response)
else:
return self.get_section_links(response)
因此,无论何时发出请求,都会检查响应中是否存在登录表单。如果存在,那么我们知道我们需要登录,所以我们调用相关的函数,如果不存在,则调用负责从响应中抓取数据的函数。
我希望这很清楚,请随时询问您还有其他问题!
好的,所以您要做的不只是产生单个请求并将其抓取。您想点击链接。
为此,您需要做的就是从页面上抓取相关链接,并使用这些URL生成请求。例如:
def parse_page(self, response):
""" Scrape useful stuff from page, and spawn new requests
"""
hxs = HtmlXPathSelector(response)
images = hxs.select('//img')
# .. do something with them
links = hxs.select('//a/@href')
# Yield a new request for each link we found
for link in links:
yield Request(url=link, callback=self.parse_page)
如您所见,它为页面上的每个URL生成了一个新请求,并且这些请求中的每一个都将使用其响应调用此相同的函数,因此我们正在进行一些递归的抓取。
我上面写的只是一个例子。如果要“抓取”页面,则应调查CrawlSpider
而不是手动处理。