scrapy的入门

今天我们先学习一下scrapy的入门,Scrapy是一个快速的高层次的网页爬取和网页抓取框架，用于爬取网站并从页面中提取结构化的数据。

1. scrapy的概念和流程

1.1 scrapy的概念

我们先来了解一下scrapy的概念,什么是scrapy:

Scrapy是一个Python编写的开源网络爬虫框架。它是一个被设计用于爬取网络数据、提取结构性数据的框架。而框架就是把之前简单的操作抽象成一套系统，这样我们在使用框架的时候，它会自动的帮我们完成很多工作，我们只需要完成剩余部分

Scrapy 使用了Twisted['twɪstɪd]异步网络框架，可以加快我们的下载速度。

Scrapy文档地址：http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html

1.2. scrapy框架的作用

少量的代码，就能够快速的抓取 ,框架是代码的半成品，提高效率（爬虫效率和开发效率）

scrapy框架是一个用于网络爬虫的快速、高层次的框架，它提供了一套丰富的功能，使得从网站上抓取数据变得简单和高效。

1. 3. scrapy的工作流程:

上面的流程可以改写为

scrapy的流程（可以理解为是3.2流程的抽象化流程）

以下是完整的对这个过程的解释:

1. 爬虫中起始的url构造成request对象-->爬虫中间件-->引擎-->调度器

2. 调度器把request-->引擎-->下载中间件--->下载器

3. 下载器发送请求，获取response响应---->下载中间件---->引擎--->爬虫中间件--->爬虫

4. 爬虫提取url地址，组装成request对象---->爬虫中间件--->引擎--->调度器，重复步骤2

5. 爬虫提取数据--->引擎--->管道处理和保存数据

1.3.1初始请求

用户在Scrapy项目中定义起始URL（通常是在spiders目录下的某个Spider类中）。

这些URL被转换为Request对象，这些对象被发送到Scrapy引擎。

在发送到引擎之前，这些Request对象会经过爬虫中间件（如果有定义的话）进行处理。

1.3.2调度器（Scheduler）

调度好的Request被再次发送给引擎。

调度器根据优先级、重复过滤等因素对Request进行排序和调度。

引擎将Request对象发送给调度器。

1.3.3下载中间件（Downloader Middlewares）

引擎将Request对象发送给下载中间件（如果有定义的话）。

下载中间件可以对Request对象进行额外的处理，比如添加请求头、设置代理等。

处理后的Request对象被发送到下载器（Downloader）。

1.3.4下载器（Downloader）：

下载器负责发送HTTP请求到目标网站。

下载器接收响应（Response对象），并将其发送回引擎。

在返回给引擎之前，响应会经过下载中间件（如果有定义的话），以便进行额外的处理，比如处理cookies、重试失败的请求等

1.3.5爬虫（Spiders）：

引擎将Response对象发送给对应的爬虫。
爬虫解析Response对象，提取数据（通常是使用XPath、CSS选择器或正则表达式）。
爬虫还可以提取新的URL，并生成新的Request对象。
这些新的Request对象会经过爬虫中间件（如果有定义的话）发送到引擎。

1.3.6重复步骤2-5：

对于爬虫提取的新URL，流程会重复步骤2-5，直到没有更多的URL需要处理或者满足某个停止条件（比如达到最大请求数、达到某个时间限制等）。

1.3.7管道（Pipelines）：

爬虫提取的数据被发送到Item Pipeline（如果有定义的话）。

Item Pipeline负责处理这些数据，比如验证数据的完整性、清理HTML标签、将数据保存到数据库或文件系统等。

处理后的数据最终会被保存或丢弃，具体取决于Item Pipeline的实现。

1.3.8注意：

图中中文是为了方便理解后加上去的

图中绿色线条的表示数据的传递

注意图中中间件的位置，决定了其作用

注意其中引擎的位置，所有的模块之前相互独立，只和引擎进行交互

1.4scrapy的三个内置对象

1.4.1.request请求对象：

Request对象代表一个HTTP请求，由Scrapy下载器中间件发送到互联网并等待服务器的响应。

它通常包含以下属性：
- url（字符串）：请求的URL。
- method（字符串）：HTTP请求方法（如"GET"或"POST"）。
- headers（字典）：一个字典，包含HTTP头及其值。
- body（字节串）：请求体，用于POST或PUT请求。
- meta（字典）：用于在Scrapy引擎内部传递信息的字典。
- cookies（字典或CookieJar）：与请求一起发送的cookies。
- 其他可能用于特定目的的属性。

1.4.2.response响应对象：

由url body status headers等构成

Response对象包含服务器对Request的响应。

它通常包含以下属性：

url（字符串）：响应的URL（可能与请求的URL不同，例如由于重定向）。
status（整数）：HTTP状态码（如200表示成功）。
headers（字典）：包含HTTP响应头的字典。
body（字节串）：响应体，即服务器返回的数据。
meta（字典）：与产生该响应的Request对象中的meta相同。
request（Request对象）：产生此响应的Request对象。
其他可能用于特定目的的属性。

Scrapy还提供了选择器（Selectors）来方便地从Response对象中提取数据，如XPath和CSS选择器。

1.4.3.item数据对象：

本质是个字典

Item对象用于收集爬虫从网页中提取的数据。
它本质上是一个简单的Python字典，但提供了额外的功能，如字段验证和清理。
你可以通过定义自己的Item类来指定爬虫将收集哪些数据。
例如，如果你正在编写一个爬取电商网站信息的爬虫，你可能会定义一个ProductItem类，该类包含name、price、description等字段。

在Scrapy中，你通常会定义一个或多个Item类来表示你想要从网站提取的数据结构。然后，在你的爬虫代码中，你可以创建这些Item类的实例，并将提取的数据填充到这些实例中。最后，这些Item实例将被Scrapy的管道（Pipeline）系统处理，可能包括清洗、验证和存储到数据库等操作。

1.5 scrapy中每个模块的具体作用

注意：爬虫中间件和下载中间件只是运行逻辑的位置不同，作用是重复的：如替换UA等

2. scrapy的入门使用:

2.1 安装scrapy:

直接cmd安装:pip/pip3 install scrapy

（换源安装命令：pip install scrapy -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.comn ）

安装依赖包：pip install pypiwin32

如果不安装，以后的项目会报错

window系统需要安装，Linux，Mac不需要

2.2 scrapy项目开发流程

2.2.1. 创建项目:

scrapy startproject mySpider

2.2.2. 生成一个爬虫:

scrapy genspider lianjia lianjia.com

2.2.3. 提取数据:

根据网站结构在spider中实现数据采集相关内容

2.2.4. 保存数据:

使用pipeline进行数据后续处理和保存

2.3. 创建项目:

通过命令将scrapy项目的的文件生成出来，后续步骤都是在项目文件中进行相关操作，下面以抓取链家来学习scrapy的入门使用

创建scrapy项目的命令：

scrapy startproject <项目名字>

示例：

scrapy startproject myspider

2.4. 创建爬虫

通过命令创建出爬虫文件，爬虫文件为主要的代码文件，通常一个网站的爬取动作都会在爬虫文件中进行编写。

命令：

**在项目路径下执行**:<br/>

scrapy genspider <爬虫名字> <允许爬取的域名>

爬虫名字: 作为爬虫运行时的参数<br/>

允许爬取的域名:

为对于爬虫设置的爬取范围，设置之后用于过滤要爬取的url，如果爬取的url与允许的域不通则被过滤掉。

示例：

cd myspider ***这一步是进入当前项目路径***

scrapy genspider lianjia lianjia.com ***再创建爬虫文件***

2.4.1，scrapy.cfg

详细项目配置文件，不需要做改动

2.4.2，items.py 定义数据存储模型

# Define here the models for your scraped items

# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy

# 实际是一个模板类  主要是用来定义数据存储模型
# 通过这个类实例化 数据实际存到实例（对象）中
class MyspiderItem(scrapy.Item):
    # 实际是一个模板类（数据建模） 事先定义好你要爬取的字段
    name = scrapy.Field()  # 租房标题
    content = scrapy.Field() # 详情信息
    price = scrapy.Field()  # 价格
    link = scrapy.Field() # 详情链接

2.4.3，middlewares.py 用于编写中间件（下载中间件+爬虫中间件） -- 无特殊需求，一般不需要编写

# Define here the models for your spider middleware
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/spider-middleware.html

from scrapy import signals

# useful for handling different item types with a single interface
from itemadapter import is_item, ItemAdapter


class MyspiderSpiderMiddleware:
    # Not all methods need to be defined. If a method is not defined,
    # scrapy acts as if the spider middleware does not modify the
    # passed objects.

    @classmethod
    def from_crawler(cls, crawler):
        # This method is used by Scrapy to create your spiders.
        s = cls()
        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
        return s

    def process_spider_input(self, response, spider):
        # Called for each response that goes through the spider
        # middleware and into the spider.

        # Should return None or raise an exception.
        return None

    def process_spider_output(self, response, result, spider):
        # Called with the results returned from the Spider, after
        # it has processed the response.

        # Must return an iterable of Request, or item objects.
        for i in result:
            yield i

    def process_spider_exception(self, response, exception, spider):
        # Called when a spider or process_spider_input() method
        # (from other spider middleware) raises an exception.

        # Should return either None or an iterable of Request or item objects.
        pass

    def process_start_requests(self, start_requests, spider):
        # Called with the start requests of the spider, and works
        # similarly to the process_spider_output() method, except
        # that it doesn’t have a response associated.

        # Must return only requests (not items).
        for r in start_requests:
            yield r

    def spider_opened(self, spider):
        spider.logger.info('Spider opened: %s' % spider.name)


class MyspiderDownloaderMiddleware:
    # Not all methods need to be defined. If a method is not defined,
    # scrapy acts as if the downloader middleware does not modify the
    # passed objects.

    @classmethod
    def from_crawler(cls, crawler):
        # This method is used by Scrapy to create your spiders.
        s = cls()
        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
        return s

    def process_request(self, request, spider):
        # Called for each request that goes through the downloader
        # middleware.

        # Must either:
        # - return None: continue processing this request
        # - or return a Response object
        # - or return a Request object
        # - or raise IgnoreRequest: process_exception() methods of
        #   installed downloader middleware will be called
        return None

    def process_response(self, request, response, spider):
        # Called with the response returned from the downloader.

        # Must either;
        # - return a Response object
        # - return a Request object
        # - or raise IgnoreRequest
        return response

    def process_exception(self, request, exception, spider):
        # Called when a download handler or a process_request()
        # (from other downloader middleware) raises an exception.

        # Must either:
        # - return None: continue processing this exception
        # - return a Response object: stops process_exception() chain
        # - return a Request object: stops process_exception() chain
        pass

    def spider_opened(self, spider):
        spider.logger.info('Spider opened: %s' % spider.name)

2.4.4，lianjia.py （爬虫文件,文件名称自己定义） [后面再来完善该爬虫模块]

import scrapy

class LianjiaSpider(scrapy.Spider):
    # 爬虫名字
    name = 'lianjia'
    # 限定爬取的域名范围
    allowed_domains = ['cs.lianjia.com']
    # 起始请求的URL
    start_urls = ['https://cs.lianjia.com/zufang/']
    
    # 该方法会接受下载中间件传过来的response，并对其进行解析
    def parse(self, response):
        pass

2.4.5，pipelines.py 管道 -- 主要用于编写数据处理步骤（数据的清洗+保存）

# Define your item pipelines here

# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html

# useful for handling different item types with a single interface
from itemadapter import ItemAdapter

class MyspiderPipeline:
    def process_item(self, itemder):
        return item

2.4.6，settings.py 详细的配置信息（设置文件UA 并启动管道）

# Scrapy settings for mySpider project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'mySpider'

SPIDER_MODULES = ['mySpider.spiders']
NEWSPIDER_MODULE = 'mySpider.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
# 需要手动修改成自己浏览器的UA
USER_AGENT = 'mySpider (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False # 需要手动修改为False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
# 可以写入一些爬虫所需要的身份信息
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
# SPIDER_MIDDLEWARES = {
#    'mySpider.middlewares.MyspiderSpiderMiddleware': 543,
# }

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'mySpider.middlewares.MyspiderDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html

#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# 开启管道类才能写入数据
ITEM_PIPELINES = {
   'mySpider.pipelines.MyspiderPipeline': 300,
}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

2.5. 完善爬虫

在上一步生成出来的爬虫文件中编写指定网站的数据采集操作，实现数据提取

2.5.1 在/myspider/myspider/spiders/itcast.py中修改内容如下:

import scrapy
from mySpider.items import MyspiderItem

class LianjiaSpider(scrapy.Spider):
    # 爬虫名字
    name = 'lianjia'
    # 限定爬取的域名范围
    allowed_domains = ['cs.lianjia.com']
    # 起始请求的URL
    start_urls = ['https://cs.lianjia.com/zufang/']

    # 该方法会接受下载中间件传过来的response，并对其进行解析
    def parse(self, response):
        # print("响应对象：",response)  # response是一个响应对象
        # html_data = response.body  # 获取网页源码
        # print("源码信息：", html_data)
        # # 将获取回来的网页源码保存为本地html文件，方便做分析
        # with open('lj.html','wb')as f:
        #     f.write(html_data)
        # 正式解析想要的数据
        # 会返回一个为列表的Selector选择器对象
        # 将列表遍历成字符串再通过.extract()取选择器里的所有值，.extract_first()取出选择器里的第一个值
        name = response.xpath(
            '//div[@class="content__list--item--main"]//p[@class="content__list--item--title"]/a/text()').extract()
        price = response.xpath('//div[@class="content__list--item--main"]//em/text()').extract()
        link = response.xpath('//div[@class="content__list--item--main"]//a[@class="twoline"]/@href').extract()
        for names, prices, links in zip(name, price, link):
            # 创建一个数据字典
            # item = {}
            # 调用items模板类
            item = MyspiderItem()  #实例化之后可以直接使用 目前是一个空字典
            # 给实例之后的空字典组建数据 要注意得与items文件中定义的变量一致
            item["name"] = names.strip()
            item["price"] = prices
            item["link"] = "https://cs.lianjia.com/" + links
            # print(names.strip())
            # print(prices)
            # print("https://cs.lianjia.com/"+links)
            # print('=='*10)
            # print(item)
            
            # 将组建好的dict形式数据通过yield返回给引擎 再交给管道文件Pipeline
            yield item

注意：

- scrapy.Spider爬虫类中必须有名为parse的解析

- 如果网站结构层次比较复杂，也可以自定义其他解析函数

- 在解析函数中提取的url地址如果要发送请求，则必须属于allowed_domains范围内，但是start_urls中的url地址不受这个限制，我们会在后续的课程中学习如何在解析函数中构造发送请求

- 启动爬虫的时候注意启动的位置，是在项目路径下启动

- parse()函数中使用yield返回数据，

注意：解析函数中的yield能够传递的对象只能是：BaseItem, Request, dict, None

2.5.2 定位元素以及提取数据、属性值的方法

解析并获取scrapy爬虫中的数据: 利用xpath规则字符串进行定位和提取

1. response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法

2. 额外方法extract()：返回一个包含有字符串的列表

3. 额外方法extract_first()：返回列表中的第一个字符串，列表为空没有返回None

2.6 保存数据

利用管道pipeline来处理(保存)数据

2. 6.1 在pipelines.py文件中定义对数据的操作

1. 定义一个管道类

2. 重写管道类的process_item方法

3. process_item方法处理完item之后必须返回给引擎

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html

# useful for handling different item types with a single interface
import json

from itemadapter import ItemAdapter

class MyspiderPipeline:
    def __init__(self):
        self.file = open('lianjia.json','w')

    # 爬虫文件中提取数据的方法每yield一次item，就会运行一次
    # 该方法为固定名称函数
    def process_item(self, item, spider):
        # 参数item默认是一个 <class 'mySpider.items.MyspiderItem'>类信息，需要处理成字典
        dict_data = dict(item)
        print(type(item), type(dict_data))
        # 将返回的字典数据转为JSON数据
        json_data = json.dumps(dict_data,ensure_ascii=False)+',\n'
        # 写入JSON数据
        self.file.write(json_data)
        # 参数item:是爬虫文件中yield的返回的数据对象（引擎会把这个交给管道中的这个item参数）
        print("建模之后的返回值：",item,)
        # 默认使用完管道之后将数据又返回给引擎
        return item

    def __del__(self):
        self.file.close()

2. 6.2 在settings.py配置启用管道

#   设置目录文件               该值的大小决定管道执行的顺序，值越小优先级越高（该值最好 不要大于1000）  

ITEM_PIPELINES = {

   'mySpider.pipelines.MyspiderPipeline': 300,

}

以上配置项中键为使用的管道类，管道类使用.进行分割，第一个为项目目录，第二个为文件，第三个为定义的管道类。

配置项中值为管道的使用顺序，设置的数值约小越优先执行，该值一般设置为1000以内。

2.7. 运行scrapy

命令：在项目目录下执行scrapy crawl <爬虫名字>

示例：scrapy crawl 爬虫名字 --nolog 忽略日志信息

2.7.1 也可爬虫项目中执行命令

每次我们写完代码进行测试的时候，都要去安装目录执行，所以为了方便，我们要写一个再爬虫项目根目录中创建.py结尾的文件，执行以下指令:

from scrapy import cmdline
cmdline.execute(['scrapy','crawl','lianjia'])

2. 8，Scrapy Shell的使用

我们想要爬虫中使用xpath，BS4，正则，css选择器等来提取想要的数据时，由于Scrapy是一个重量级框架，每次运行起来都要等待一段时间，因此要去验证我们书写的规则是否正确，是一个比较麻烦的事情，因此Scrapy提供了一个shell，用起来方便测试规则

打开Scrapy Shell

打开cmd终端，进入到Scrapy项目所在目录，进入到Scrapy框架所在的环境中，输入命令：

scrapy shell url ，就会进入到scrapy的shell环境中，在这个环境中，你可以跟在爬虫的parse方法中一样使用了

例如：

cd mySpider 进入项目路径

scrapy shell https://cs.lianjia.com/zufang/ #想要测试的url

link = response.xpath('//div[@class="content__list--item--main"]//a[@class="twoline"]/@href').extract()

2. 9. 翻页请求的思路

对于要提取如下图中所有页面上的数据该怎么办？

![image.png](attachment:image.png)

回顾requests模块是如何实现翻页请求的：

1. 找到下一页的URL地址

2. 调用requests.get(url)

scrapy实现翻页的思路：

（scrapy并无单独的url这个概念，scrapy中都是需要将url打包成一个请求对象）

1. 找到下一页的url地址

2. 把url地址构造成请求对象，传递给引擎

2.10.如何构造Request对象，并发送请求

2.10.1 实现方法

1. 确定url地址

2. 构造请求，scrapy.Request(url,callback)

- callback：指定响应体解析的函数名称，表示该请求返回的响应使用哪一个函数进行解析（callback不赋值的话默认是给parse方法解析）

3. 把请求交给引擎：yield scrapy.Request(url,callback)

2.10.2 链家爬虫

通过爬取链家页面信息,学习如何实现翻页请求

地址：https://xy.lianjia.com/zufang/pg1/

思路分析：

1. 获取首页的响应数据（因为里面有我们想要的翻页链接）

2. 寻找下一页的地址，进行翻页，获取数据

2.10.3 代码实现

在爬虫文件的parse方法中：

        # 开始构造翻页
        # 1,提取下一页url
        all_url = response.xpath('//ul[@style="display:hidden"]//li/a/@href').extract()
        print(all_url)
        for part_url in all_url:
            # 2,判断条件
            if '/zufang/' in part_url:
                next_url = response.urljoin(part_url)
                print("下一页参数信息:", part_url)
                print("下一页链接:", next_url)
                # 构建请求对象 并且返回给引擎
                yield scrapy.Request(url=next_url,callback=self.parse)

3.小结

1. scrapy的安装：pip install scrapy

2. 创建scrapy的项目: scrapy startproject myspider

3. 创建scrapy爬虫：在项目目录下执行 scrapy genspider lianjia lianjia.com

4. 运行scrapy爬虫：在项目目录下执行scrapy crawl 爬虫名字【scrapy crawl 爬虫名字 --nolog 忽略日志信息】

5. 解析并获取scrapy爬虫中的数据：

1. response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法

2. extract() 返回一个包含有字符串的列表

3. extract_first() 返回列表中的第一个字符串，列表为空没有返回None

6. scrapy管道的基本使用:

1. 完善pipelines.py中的process_item方法

2. 在settings.py中设置开启pipeline

7. response响应对象的常用属性

1. response.url：获取当前响应的url地址

2. response.request.url：获取当前响应对应的请求的url地址

3. response.headers：获取响应头

4. response.urljoin(url) ：用于构造绝对url, 当传入的url参数是一个相对地址时, 根据response.url计算出相应的绝对url.

5. response.body：获取响应体，也就是html代码，byte类型

6. response.text：获取响应体，str类型

7. response.status：获取响应状态码

8. request请求对象的常用属性

1. request.url（必选）：请求页面的url地址，bytes或str类型。

2. request.callback：页面解析函数，Callback类型，Request请求对象的页面下载完成后，由该参数指定的页面解析函数解析页面，如果未传递该参数，默认调用Spider的parse方法。

3. request.method：HTTP请求的方法，默认为‘GET’。

4. request.headers：HTTP请求的头部字典，dict 类型。

5. request.meta：Request 的元数据字典，dict 类型，用于给框架中其他组件传递信息，比如中间件 Item Pipeline。其他组件可以使用Request 对象的 meta 属性访问该元数据字典 (request.meta), 也用于给响应处理函数传递信息。

6. request.encoding：url 和 body 参数的编码默认为'utf-8'。如果传入的url或body参数是str 类型，就使用该参数进行编码。

7. request.dont_filter：默认情况下（dont_filter=False）,对同一个url地址多次提交下载请求，后面的请求会被去重过滤器过滤（避免重复下载）。如果将该参数置为True，可以使请求避免被过滤，强制下载。例如：在多次爬取一个内容随时间而变化的页面时（每次使用相同的url），可以将该参数设置为True。