在Scrapy中爬行经过身份验证的会话

Question

我对问题不是很具体（希望通过与Scrapy进行身份验证的会话进行抓取），希望能够从更笼统的答案中得出解决方案。我应该宁可使用这个词crawling。

所以，这是到目前为止的代码：

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

如你所见，我访问的第一页是登录页面。如果尚未通过身份验证（在parse函数中），则调用自定义login函数，该函数将发布到登录表单中。然后，如果我我验证，我想继续爬行。

问题是parse我尝试覆盖以登录的功能，现在不再进行必要的调用以刮擦任何其他页面（我假设）。而且我不确定如何保存我创建的项目。

有人做过这样的事吗？（使用进行身份验证，然后进行爬网CrawlSpider）任何帮助将不胜感激。

Answer 1

请勿在中覆盖parse函数CrawlSpider：

使用时CrawlSpider，你不应覆盖此parse功能。这里的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）都会发送要由Rules 处理的响应。

爬网前登录：

为了在Spider开始抓取之前进行某种初始化，你可以使用InitSpider（继承自CrawlSpider），并覆盖该init_request函数。蜘蛛初始化时以及开始爬行之前，将调用此函数。

为了让Spider开始抓取，你需要致电self.initialized。

你可以在此处阅读对此负责的代码（它具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