当前位置：首页 > news >正文

Scrapy 核心组件解析：Request Response 的深度应用与实战

news 来源：原创 2025/6/1 16:21:30

Scrapy 是 Python 生态中最强大的爬虫框架之一，其核心组件 Request 和 Response 承担着数据抓取与处理的关键任务。本文深入解析 Scrapy 2.13.0 中 Request 和 Response 的高级用法，涵盖参数配置、回调函数、错误处理、子类扩展等，并结合 综合实战案例 展示如何在实际项目中高效运用这些组件。通过本文，读者不仅能掌握 Scrapy 的底层机制，还能学会如何优化爬虫性能、处理复杂场景，并提升代码可维护性。

1. Request 对象详解

Request 是 Scrapy 中表示 HTTP 请求的核心类，通常由 Spider 生成，并由 Downloader 执行后返回 Response。

1.1 核心参数解析

参数	类型	说明	示例
`url`	`str`	请求的目标 URL	`"https://example.com"`
`callback`	`callable`	处理响应的回调函数	`self.parse_page`
`method`	`str`	HTTP 方法（GET/POST）	`"POST"`
`meta`	`dict`	请求元数据（可跨请求传递）	`{"user_id": 123}`
`body`	`bytes/str`	请求体（POST 数据）	`{"key": "value"}`
`headers`	`dict`	自定义请求头	`{"User-Agent": "Scrapy"}`
`cookies`	`dict/list`	请求携带的 Cookie	`{"session": "abc123"}`
`priority`	`int`	请求优先级（数值越大越优先）	`10`
`errback`	`callable`	错误回调函数	`self.handle_error`

1.2 高级用法

(1) 动态参数传递（`cb_kwargs`）

Scrapy 1.7+ 推荐使用 cb_kwargs 替代 meta 传递回调参数，避免与中间件冲突。

def parse(self, response):yield scrapy.Request(url="https://example.com/detail",callback=self.parse_detail,cb_kwargs={"item_id": 123},  # 传递给回调函数的参数)def parse_detail(self, response, item_id):print(f"Processing item {item_id}")  # 输出: Processing item 123

(2) 错误处理（`errback`）

捕获请求异常（如 404、超时），并记录日志或重试。

import scrapy
from scrapy.spidermiddlewares.httperror import HttpError
from twisted.internet.error import DNSLookupError, TimeoutErrorclass ErrorHandlingSpider(scrapy.Spider):name = "error_handler"def start_requests(self):yield scrapy.Request(url="https://example.com/nonexistent",callback=self.parse,errback=self.handle_error,  # 错误回调)def handle_error(self, failure):if failure.check(HttpError):response = failure.value.responseself.logger.error(f"HTTP Error {response.status}: {response.url}")elif failure.check(DNSLookupError):self.logger.error(f"DNS Lookup Failed: {failure.request.url}")elif failure.check(TimeoutError):self.logger.error(f"Request Timeout: {failure.request.url}")

(3) 动态生成请求（`FormRequest` & `JsonRequest`）

表单提交：FormRequest 自动处理 HTML 表单数据。
JSON 请求：JsonRequest 直接发送 JSON 数据。

# 表单提交示例
yield scrapy.FormRequest(url="https://example.com/login",formdata={"username": "user", "password": "pass"},callback=self.after_login,
)# JSON 请求示例
yield scrapy.JsonRequest(url="https://api.example.com/data",data={"query": "scrapy"},callback=self.parse_json,
)

2. Response 对象详解

Response 是 Downloader 返回的结果，包含 HTTP 响应的所有信息。

在这里插入图片描述

2.1 核心属性

属性	类型	说明	示例
`url`	`str`	响应的 URL	`"https://example.com"`
`status`	`int`	HTTP 状态码	`200`
`headers`	`dict`	响应头	`{"Content-Type": "text/html"}`
`body`	`bytes`	响应体（原始字节）	`b"<html>..."`
`text`	`str`	解码后的文本（需继承 `TextResponse`）	`"<html>..."`
`request`	`Request`	生成此响应的请求对象	`<GET https://example.com>`

2.2 高级用法

(1) 动态跟进链接（`follow` & `follow_all`）

# 跟进单个链接
yield response.follow(url="https://example.com/next",callback=self.parse_next,
)# 跟进多个链接（TextResponse 特有）
for link in response.css("a::attr(href)").getall():yield response.follow(link, callback=self.parse_link)

(2) 提取数据并传递到下个请求

通过 meta 或 cb_kwargs 跨请求传递数据。

def parse(self, response):item_id = response.css("div.item::attr(id)").get()yield scrapy.Request(url=f"https://example.com/item/{item_id}",callback=self.parse_item,cb_kwargs={"item_id": item_id},  # 传递给回调函数meta={"item_id": item_id},       # 传递给中间件或后续请求)def parse_item(self, response, item_id):print(f"Processing item {item_id}")  # 输出: Processing item 123

3. 综合实战案例：电商网站商品爬取

场景需求

爬取某电商网站的商品列表页，并跟进详情页提取价格、库存等信息，同时处理反爬机制（如动态 Cookie、请求限速）。

实现步骤

(1) 定义 Spider

import scrapy
from scrapy.http import JsonRequestclass EcommerceSpider(scrapy.Spider):name = "ecommerce"start_urls = ["https://example.com/products"]def parse(self, response):# 提取商品列表页中的商品链接for product_link in response.css("a.product-link::attr(href)").getall():yield response.follow(product_link,callback=self.parse_product,cb_kwargs={"category": response.url.split("/")[-1]},  # 传递分类信息)# 翻页逻辑next_page = response.css("a.next-page::attr(href)").get()if next_page:yield response.follow(next_page, callback=self.parse)def parse_product(self, response, category):# 提取商品详情yield {"name": response.css("h1::text").get(),"price": response.css("span.price::text").get(),"stock": response.css("span.stock::text").get(),"category": category,  # 从回调参数传递}def start_requests(self):# 使用 JsonRequest 处理 API 接口（如果网站有 JSON API）yield JsonRequest(url="https://api.example.com/products",callback=self.parse_api,)def parse_api(self, response):data = response.json()for product in data["products"]:yield scrapy.Request(url=product["detail_url"],callback=self.parse_product,cb_kwargs={"category": "api"},  # 标记为 API 来源)

(2) 反爬策略优化

动态 Cookie：通过 cookies 参数传递登录态。
请求间隔：在 settings.py 中设置 DOWNLOAD_DELAY。
User-Agent 轮换：使用 scrapy.downloadermiddlewares.useragent.UserAgentMiddleware。

# settings.py 示例
DOWNLOAD_DELAY = 2  # 请求间隔 2 秒
USER_AGENT_LIST = ["Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36","Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15",
]