重返 Scrapy

一些爬虫库 * requests * urllib * re * scrapy * selenium

参考链接

JJH的创世纪
scrapy爬虫框架setting模块解析

Scrapy

1
2
3
4
5
6
# 创建项目
scrapy startproject projectname
# 创建spider
scrapy genspider spider spider.com
# 启动spider
scrapy crawl spider
runoob

Scrapy架构图解释 * Scheduler(调度器) * Item Pipeline(管道) * Downloader Middlewares（下载中间件） * Spider Middlewares（Spider中间件）

其中Item Pipeline负责处理Spider中获取到的Item，并进行进行后期处理。这里就遇到了xpath。 * xpath

步骤

新建项目(scrapy startproject xxx): 新建一个新的爬虫项目
明确目标(编写items.py): 明确你想要抓取的目标
制作爬虫(spiders/xxspider.py): 制作爬虫开始爬取网页
存储内容(pipelines.py): 设计管道存储爬取内容
此处参考菜鸟教程

spider

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import scrapy

class BaiduSpider(scrapy.Spider):
    # spider的唯一名字
    name = 'baidu'
    # 允许的域名范围
    allowed_domains = ['image.baidu.com']
    # start_urls
    start_urls = ['http://image.baidu.com/']

    # 解析的方法，下载器下载后将response传入这个函数
    def parse(self, response):
        # 该函数返回的数据会传入到管道文件中
        # return item
        # yield item
        pass

yield item是返回一个可迭代的generator(生成器)对象的意思。

setting

转载自倥偬时光的分享

  • 模块相关说明信息
1
2
3
4
5
6
7
8
9
10
# -*- coding: utf-8 -*-

# Scrapy settings for new_center project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     http://doc.scrapy.org/en/latest/topics/settings.html
#     http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
#     http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
  • 项目名字和爬虫模块说明，引擎根据这个信息找到爬虫
1
2
3
4
BOT_NAME = 'new_center'  # 项目名字

SPIDER_MODULES = ['new_center.spiders']
NEWSPIDER_MODULE = 'new_center.spiders'
  • 浏览器的USER_AGENT，可以自定义伪装。
1
2
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'new_center (+http://www.yourdomain.com)'
  • 是否遵守robots协议，默认是遵守的，可以改成False或将其注释
1
2
# Obey robots.txt rules
ROBOTSTXT_OBEY = True
  • 设置scrapy爬虫最大的并发请求数量，默认是16
1
2
# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32
  • 设置对访问同一个网站进行请求的延时时间，默认情况下，Scrapy在两个请求间不等待一个固定的值，而是使用0.5到1.5之间的一个随机值。
1
2
3
4
5
# Configure a delay for requests for the same website (default: 0)
# See http://scrapy.readthedocs.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:
  • 设置对每个网站和每个IP的最大并发请求数量，两个最好只设置一个，如果都设置，则按照限制IP生效。
1
2
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16
  • 设置是否禁用cookie，目前默认是可用的，去掉注释则禁用
1
2
# Disable cookies (enabled by default)
#COOKIES_ENABLED = False
  • 设置是否可远程登录控制台，目前默认是可以的，去掉注释则禁用
1
2
# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False
  • 用来设置请求头，一般不用，因为请求头可以动态设置
1
2
3
4
5
# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}
  • 是否开启使用爬虫spider的中间件,默认不启用，解除注释后启用，后面的数字代表优先级，数字越小，优先级越高
1
2
3
4
5
# Enable or disable spider middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'new_center.middlewares.NewCenterSpiderMiddleware': 543,
#}
  • 是否开启爬虫下载器的中间件,默认不启用，解除注释后启用
1
2
3
4
5
# Enable or disable downloader middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'new_center.middlewares.MyCustomDownloaderMiddleware': 543,
#}
  • 是否禁用爬虫扩展，默认禁用，解除注释后将None改成数字，如500，扩展的优先级一般不重要，因为他们并不相互依赖，多个扩展的value值可以写相同。
1
2
3
4
5
# Enable or disable extensions
# See http://scrapy.readthedocs.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}
  • 是否开启管道，默认关闭，开启則解除注释。是一个字典，默认为空，值任意，不过一般设置在0-1000之间，值越小优先级越高。
1
2
3
4
5
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#    'new_center.pipelines.NewCenterPipeline': 300,
#}
  • 设置自动限速，根据Scrapy服务器及爬取的网站的负载自动限制爬取速度，默认关闭，开启需解除注释。
1
2
3
4
5
6
7
8
9
10
11
12
# Enable and configure the AutoThrottle extension (disabled by default)
# See http://doc.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True  # 自动限速的开关
# The initial download delay 
#AUTOTHROTTLE_START_DELAY = 5  # 初始下载延时
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60  # 最大下载延时
# 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
  • 启用和配置HTTP缓存
1
2
3
4
5
6
7
# Enable and configure HTTP caching (disabled by default)
# See http://scrapy.readthedocs.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'
  • 另外的重要的设置：
  1. DEPTH_LIMIT：爬取网站最大的允许深度，默认值为0，表示没有限制；如果为1，表示只允许解析一层的url。
  2. DOWNLOAD_TIMEOUT:下载器超时时间，默认180s.
  3. LOG_ENABLED:是否启用logging，即日志文件，默认为True。
  4. LOG_ENCODING：设置日志文件的编码，默认使用UTF_8。
  5. LOG_LEVEL：对日志的内容进行等级的设置，有五个级别可以选择:
1
2
3
4
5
CRITICAL: 严重错误；
ERROR：一般错误；
WARNING：警告信息；
INFO：一般信息；
DEBUG：调试信息
  1. PROXIES：设置代理；这不是scrapy内置的参数，但可以定义在setting模块，使用的时候可以导入。