scrapy-redis原始碼解讀之傳送POST請求

奧辰發表於2019-05-15
Redis原始碼

1 引言

這段時間在研究美團爬蟲，用的是scrapy-redis分散式爬蟲框架，奈何scrapy-redis與scrapy框架不同，預設只傳送GET請求，換句話說，不能直接傳送POST請求，而美團的資料請求方式是POST，網上找了一圈，發現關於scrapy-redis傳送POST的資料寥寥無幾，只能自己剛原始碼了。

2 美團POST需求說明

先來說一說需求，也就是說美團POST請求形式。我們以獲取某個地理座標下，所有店鋪類別列表請求為例。獲取所有店鋪類別列表時，我們需要構造一個包含位置座標經緯度等資訊的表單資料，以及為了向下一層parse方法傳遞的一些必要資料，即meta，然後發起一個POST請求。
url：
請求地址，即url是固定的，如下所示：
url = 'http://i.waimai.meituan.com/openh5/poi/filterconditions?_=1557367197922'
url最後面的13位數字是時間戳，實際應用時用time模組生成一下就好了。
表單資料：
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資料：
meta資料不是必須的，但是，如果你在傳送請求時，有一些資料需要向下一層parse方法（解析爬蟲返回的response的方法）中傳遞的話，就可以構造這一資料，然後作為引數傳遞進request中。
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': '**區'
}

3 原始碼分析

採集店鋪類別列表時需要傳送怎樣一個POST請求在上面已經說明了，那麼，在scrapy-redis框架中，這個POST該如何來傳送呢？我相信，開啟我這篇博文的讀者都是用過scrapy的，用scrapy傳送POST肯定沒問題（重寫start_requests方法即可），但scrapy-redis不同，scrapy-redis框架只會從配置好的redis資料庫中讀取起始url，所以，在scrapy-redis中，就算重寫start_requests方法也沒用。怎麼辦呢？我們看看原始碼。
我們知道，scrapy-redis與scrapy的一個很大區別就是，scrapy-redis不再繼承Spider類，而是繼承RedisSpider類的，所以，RedisSpider類原始碼將是我們分析的重點，我們開啟RedisSpider類，看看有沒有類似於scrapy框架中的start_requests、make_requests_from_url這樣的方法。RedisSpider原始碼如下：
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
很遺憾，在RedisSpider類中沒有找到類似start_requests、make_requests_from_url這樣的方法，而且，RedisSpider的原始碼也太少了吧，不過，從第一行我們可以發現RedisSpider繼承了RedisMinxin這個類，所以我猜RedisSpider的很多功能是從父類繼承而來的（拼爹的RedisSpider）。繼續檢視RedisMinxin類原始碼。RedisMinxin類原始碼太多，這裡就不將所有原始碼貼出來了，不過，驚喜的是，在RedisMinxin中，真找到了類似於start_requests、make_requests_from_url這樣的方法，如：start_requests、next_requests、make_request_from_data等。有過scrapy使用經驗的童鞋應該都知道，start_requests方法可以說是構造一切請求的起源，沒分析scrapy-redis原始碼之前，誰也不知道scrapy-redis是不是和scrapy一樣（後面打斷點的方式驗證過，確實一樣，話說這個驗證有點多餘，因為原始碼註釋就是這麼說的），不過，還是從start_requests開始分析吧。start_requests原始碼如下：
def start_requests(self):
    return self.next_requests()
呵，真簡潔，直接把所有任務丟給next_requests方法，繼續：
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: # 每次讀取的量
        data = fetch_one(self.redis_key) # 從redis中讀取一條記錄
        if not data:
            # Queue empty.
            break
        req = self.make_request_from_data(data) # 根據從redis中讀取的記錄，例項化一個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，關鍵的就是那個while迴圈，每一次迴圈都呼叫了一個make_request_from_data方法，從函式名可以函式，這個方法就是根據從redis中讀取從來的資料，例項化一個request，那不就是我們要找的方法嗎？進入make_request_from_data方法一探究竟：
def make_request_from_data(self, data):
    url = bytes_to_str(data, self.redis_encoding)
    return self.make_requests_from_url(url) # 這是重點，圈起來，要考
因為scrapy-redis預設值傳送GET請求，所以，在這個make_request_from_data方法中認為data只包含一個url，但如果我們要傳送POST請求，這個data包含的東西可就多了，我們上面美團POST請求說明中就說到，至少要包含url、form_data。所以，如果我們要傳送POST請求，這裡必須改，make_request_from_data方法最後呼叫的make_requests_from_url是scrapy中的Spider中的方法，不過，我們也不需要繼續往下看下去了，我想諸位都也清楚了，要傳送POST請求，重寫這個make_request_from_data方法，根據傳入的data，例項化一個request返回就好了。

 4 程式碼例項

明白上面這些東西后，就可以開始寫程式碼了。修改原始碼嗎？不，不存在的，改原始碼可不是好習慣。我們直接在我們自己的Spider類中重寫make_request_from_data方法就好了：
from scrapy import FormRequest
from scrapy_redis.spiders import RedisSpider
 
 
class MeituanSpider(RedisSpider):
    """
    此處省略若干行
    """
 
    def make_request_from_data(self, data):
        """
        重寫make_request_from_data方法，data是scrapy-redis讀取redis中的[url,form_data,meta]，然後傳送post請求
        :param data: redis中都去的請求資料，是一個list
        :return: 一個FormRequest物件
    　　"""
        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
搞清楚原理之後，就是這麼簡單。萬事俱備，只欠東風——將url，form_data，meta儲存到redis中。另外新建一個模組實現這一部分功能：
def push_start_url_data(request_data):
    """
    將一個完整的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': '**區'
    }
    request_data = {
        'url': url,
        'form_data': form_data,
        'meta': meta
    }
    push_start_url_data(json.dumps(request_data))
在啟動scrapy-redis之前，執行一下這一模組即可。如果有很多POI（地理位置興趣點），迴圈遍歷每一個POI，生成request_data，push到redis中。這一迴圈功能就你自己寫吧。

5 總結

沒有什麼是擼一遍原始碼解決不了的，如果有，就再擼一遍！

相關文章