1 引言
这段时间在研究美团爬虫，用的是scrapy-redis分布式爬虫框架，奈何scrapy-redis与scrapy框架不同，默认只发送get请求，换句话说，不能直接发送post请求，而美团的数据请求方式是post，网上找了一圈，发现关于scrapy-redis发送post的资料寥寥无几，只能自己刚源码了。
2 美团post需求说明
先来说一说需求，也就是说美团post请求形式。我们以获取某个地理坐标下，所有店铺类别列表请求为例。获取所有店铺类别列表时，我们需要构造一个包含位置坐标经纬度等信息的表单数据，以及为了向下一层parse方法传递的一些必要数据，即meta，然后发起一个post请求。
url：
请求地址，即url是固定的，如下所示：
|
1
|
url = 'http://i.waimai.meituan.com/openh5/poi/filterconditions?_=1557367197922'
|
url最后面的13位数字是时间戳，实际应用时用time模块生成一下就好了。
表单数据：
|
1
2
3
4
5
6
7
8
9
10
11
|
form_data = {
'initiallat': '25.618626',
'initiallng': '105.644569',
'actuallat': '25.618626',
'actuallng': '105.644569',
'geotype': '2',
'wm_latitude': '25618626',
'wm_longitude': '105644569',
'wm_actual_latitude': '25618626',
'wm_actual_longitude': '105644569'
}
|
meta数据：
meta数据不是必须的，但是，如果你在发送请求时，有一些数据需要向下一层parse方法（解析爬虫返回的response的方法）中传递的话，就可以构造这一数据，然后作为参数传递进request中。
|
1
2
3
4
5
6
7
8
9
|
meta = {
'lat': form_data.get('initiallat'),
'lng': form_data.get('initiallng'),
'lat2': form_data.get('wm_latitude'),
'lng2': form_data.get('wm_longitude'),
'province': '**省',
'city': '**市',
'area': '**区'
}
|
3 源码分析
采集店铺类别列表时需要发送怎样一个post请求在上面已经说明了，那么，在scrapy-redis框架中，这个post该如何来发送呢？我相信，打开我这篇博文的读者都是用过scrapy的，用scrapy发送post肯定没问题（重写start_requests方法即可），但scrapy-redis不同，scrapy-redis框架只会从配置好的redis数据库中读取起始url，所以，在scrapy-redis中，就算重写start_requests方法也没用。怎么办呢？我们看看源码。
我们知道，scrapy-redis与scrapy的一个很大区别就是，scrapy-redis不再继承spider类，而是继承redisspider类的，所以，redisspider类源码将是我们分析的重点，我们打开redisspider类，看看有没有类似于scrapy框架中的start_requests、make_requests_from_url这样的方法。redisspider源码如下：
|
1
2
3
4
5
6
|
class redisspider(redismixin, spider):
@classmethod
def from_crawler(self, crawler, *args, **kwargs):
obj = super(redisspider, self).from_crawler(crawler, *args, **kwargs)
obj.setup_redis(crawler)
return obj
|
很遗憾，在redisspider类中没有找到类似start_requests、make_requests_from_url这样的方法，而且，redisspider的源码也太少了吧，不过，从第一行我们可以发现redisspider继承了redisminxin这个类，所以我猜redisspider的很多功能是从父类继承而来的（拼爹的redisspider）。继续查看redisminxin类源码。redisminxin类源码太多，这里就不将所有源码贴出来了，不过，惊喜的是，在redisminxin中，真找到了类似于start_requests、make_requests_from_url这样的方法，如：start_requests、next_requests、make_request_from_data等。有过scrapy使用经验的童鞋应该都知道，start_requests方法可以说是构造一切请求的起源，没分析scrapy-redis源码之前，谁也不知道scrapy-redis是不是和scrapy一样（后面打断点的方式验证过，确实一样，话说这个验证有点多余，因为源码注释就是这么说的），不过，还是从start_requests开始分析吧。start_requests源码如下：
|
1
2
|
def start_requests(self):
return self.next_requests()
|
呵，真简洁，直接把所有任务丢给next_requests方法，继续：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
def next_requests(self):
"""returns a request to be scheduled or none."""
use_set = self.settings.getbool('redis_start_urls_as_set', defaults.start_urls_as_set)
fetch_one = self.server.spop if use_set else self.server.lpop
# xxx: do we need to use a timeout here?
found = 0
# todo: use redis pipeline execution.
while found < self.redis_batch_size: # 每次读取的量
data = fetch_one(self.redis_key) # 从redis中读取一条记录
if not data:
# queue empty.
break
req = self.make_request_from_data(data) # 根据从redis中读取的记录，实例化一个request
if req:
yield req
found += 1
else:
self.logger.debug("request not made from data: %r", data)
if found:
self.logger.debug("read %s requests from '%s'", found, self.redis_key)
|
上面next_requests方法中，关键的就是那个while循环，每一次循环都调用了一个make_request_from_data方法，从函数名可以函数，这个方法就是根据从redis中读取从来的数据，实例化一个request，那不就是我们要找的方法吗？进入make_request_from_data方法一探究竟：
|
1
2
3
|
def make_request_from_data(self, data):
url = bytes_to_str(data, self.redis_encoding)
return self.make_requests_from_url(url) # 这是重点，圈起来，要考
|
因为scrapy-redis默认值发送get请求，所以，在这个make_request_from_data方法中认为data只包含一个url，但如果我们要发送post请求，这个data包含的东西可就多了，我们上面美团post请求说明中就说到，至少要包含url、form_data。所以，如果我们要发送post请求，这里必须改，make_request_from_data方法最后调用的make_requests_from_url是scrapy中的spider中的方法，不过，我们也不需要继续往下看下去了，我想诸位都也清楚了，要发送post请求，重写这个make_request_from_data方法，根据传入的data，实例化一个request返回就好了。
4 代码实例
明白上面这些东西后，就可以开始写代码了。修改源码吗？不，不存在的，改源码可不是好习惯。我们直接在我们自己的spider类中重写make_request_from_data方法就好了：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
from scrapy import formrequest
from scrapy_redis.spiders import redisspider
class meituanspider(redisspider):
"""
此处省略若干行
"""
def make_request_from_data(self, data):
"""
重写make_request_from_data方法，data是scrapy-redis读取redis中的[url,form_data,meta]，然后发送post请求
:param data: redis中都去的请求数据，是一个list
:return: 一个formrequest对象
"""
data = json.loads(data)
url = data.get('url')
form_data = data.get('form_data')
meta = data.get('meta')
return formrequest(url=url, formdata=form_data, meta=meta, callback=self.parse)
def parse(self, response):
pass
|
搞清楚原理之后，就是这么简单。万事俱备，只欠东风——将url，form_data，meta存储到redis中。另外新建一个模块实现这一部分功能：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
def push_start_url_data(request_data):
"""
将一个完整的request_data推送到redis的start_url列表中
:param request_data: {'url':url, 'form_data':form_data, 'meta':meta}
:return:
"""
r.lpush('meituan:start_urls', request_data)
if __name__ == '__main__':
url = 'http://i.waimai.meituan.com/openh5/poi/filterconditions?_=1557367197922'
form_data = {
'initiallat': '25.618626',
'initiallng': '105.644569',
'actuallat': '25.618626',
'actuallng': '105.644569',
'geotype': '2',
'wm_latitude': '25618626',
'wm_longitude': '105644569',
'wm_actual_latitude': '25618626',
'wm_actual_longitude': '105644569'
}
meta = {
'lat': form_data.get('initiallat'),
'lng': form_data.get('initiallng'),
'lat2': form_data.get('wm_latitude'),
'lng2': form_data.get('wm_longitude'),
'province': '**省',
'city': '*市',
'area': '**区'
}
request_data = {
'url': url,
'form_data': form_data,
'meta': meta
}
push_start_url_data(json.dumps(request_data))
|
在启动scrapy-redis之前，运行一下这一模块即可。如果有很多poi（地理位置兴趣点），循环遍历每一个poi，生成request_data，push到redis中。这一循环功能就你自己写吧。
5 总结
没有什么是撸一遍源码解决不了的，如果有，就再撸一遍！
好了，以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对服务器之家的支持。
原文链接：http://www.cnblogs.com/chenhuabin/p/10867285.html