64

在Scrapy 文档中，有以下示例来说明如何在 Scrapy 中使用经过身份验证的会话：

class LoginSpider(BaseSpider):
    name = 'example.com'
    start_urls = ['http://www.example.com/users/login.php']

    def parse(self, response):
        return [FormRequest.from_response(response,
                    formdata={'username': 'john', 'password': 'secret'},
                    callback=self.after_login)]

    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

        # continue scraping with authenticated session...

我有这个工作，很好。但我的问题是continue scraping with authenticated session：正如他们在最后一行的评论中所说，你必须做什么？

4

1 回答 1

72

在上面的代码中，FormRequest用于身份验证的after_login函数将函数设置为其回调。这意味着该after_login函数将被调用并传递登录尝试获得的页面作为响应。

然后通过在页面中搜索特定字符串来检查您是否已成功登录，在本例中为"authentication failed". 如果它找到它，蜘蛛就会结束。

现在，一旦爬虫走到这一步，它就知道它已经成功验证，你可以开始产生新的请求和/或抓取数据。所以，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.

如果你看这里，有一个蜘蛛在抓取之前进行身份验证的例子。

在这种情况下，它处理parse函数中的事情（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。如果它存在，那么我们知道我们需要登录，所以我们调用相关函数，如果它不存在，我们调用负责从响应中抓取数据的函数。

我希望这很清楚，如果您还有其他问题，请随时询问！

编辑：

好的，所以你想做的不仅仅是产生一个请求并抓取它。您想关注链接。

为此，您需要做的就是从页面中抓取相关链接，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 生成一个新请求，每个请求都将调用相同的函数及其响应，因此我们进行了一些递归抓取。

我上面写的只是一个例子。如果您想“抓取”页面，您应该查看CrawlSpider而不是手动执行操作。

于 2011-05-01T19:54:12.437 回答