在Scrapy中爬行经过身份验证的会话

Question

在我的previous question中，我对我的问题（用Scrapy与经过身份验证的会话进行Scrapy）不是很具体，希望能够从更一般的答案推断出解决方案。我可能宁愿用crawling这个词。

所以，这是我目前的代码：

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），我将调用自定义的login函数，该函数将发布到登录表单。然后，如果我am经过身份验证，我想继续爬行。

问题是我试图重写的parse函数为了登录，现在不再进行必要的调用来刮除任何进一步的页面（我假设）。我不知道如何保存我创建的项目。

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

Answer 1

为了使上面的解决方案能够工作，我必须使crawpsider从InitSpider继承，而不再从BaseSpider继承，方法是在不完整的源代码上更改以下内容。在scrapy/contrib/spiders/crawl.py文件中：

1. 添加：from scrapy.contrib.spiders.init import InitSpider
2. 将class CrawlSpider(BaseSpider)更改为class CrawlSpider(InitSpider)

否则蜘蛛就不会调用init_request方法。

还有其他更简单的方法吗？

Answer 2

不要重写CrawlSpider中的parse函数：

使用CrawlSpider时，不应重写parse函数。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）发送要由Rule处理的响应

---

爬网前登录：

为了在蜘蛛开始爬行之前进行某种初始化，可以使用InitSpider（它继承自CrawlSpider），并重写init_request函数。当蜘蛛初始化时，在开始爬行之前，将调用此函数。

为了让蜘蛛开始爬行，您需要调用self.initialized。

您可以阅读负责这个here的代码（它有有用的docstring）。

---

示例：

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：

Spider返回的项将被传递到负责对数据执行任何操作的管道。我建议您阅读文档：http://doc.scrapy.org/en/0.14/topics/item-pipeline.html

如果您在Item方面有任何问题，请毫不犹豫地弹出一个新问题，我将尽力帮助您。

Answer 3

如果您需要的是Http认证，请使用提供的中间件钩子。

在settings.py中

DOWNLOADER_MIDDLEWARE = [ 'scrapy.contrib.downloadermiddleware.httpauth.HttpAuthMiddleware']

在您的spider class中添加属性

http_user = "user"
http_pass = "pass"