建站
咨詢
售后
建站咨詢
新聞中心
這篇文章將為大家詳細(xì)講解有關(guān)scrapy在python爬蟲使用的注意事項(xiàng)有哪些，小編覺(jué)得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。
1.如果需要大批量分布式爬取，建議采用Redis數(shù)據(jù)庫(kù)存儲(chǔ)，可安裝scrapy-redis，使用redis數(shù)據(jù)庫(kù)來(lái)替換scrapy原本使用的隊(duì)列結(jié)構(gòu)（deque），并配合其它數(shù)據(jù)庫(kù)存儲(chǔ)，例如MySQL或者M(jìn)ongoDB，爬取效率將會(huì)極大提高。并且其自帶的dupefilter.py負(fù)責(zé)執(zhí)行requst的去重，使用redis的set數(shù)據(jù)結(jié)構(gòu)，通過(guò)settings文件正確設(shè)置后，即便停止scrapy爬蟲，當(dāng)下次重新開(kāi)始后也能自動(dòng)去重。原因就是在redis已經(jīng)存儲(chǔ)了request的信息。
2.當(dāng)涉及到代理IP，Headers頭中間請(qǐng)求信息處理的時(shí)候，可以通過(guò)中間件Middleware來(lái)實(shí)現(xiàn)。Spider中間件是介入到Scrapy的spider處理機(jī)制的鉤子框架，可以添加代碼來(lái)處理發(fā)送給 Spiders的response及spider產(chǎn)生的item和request。
3.合理設(shè)置settings文件，需要熟練掌握settings的各種設(shè)置。
4.可以重新定義def start_requests(self)函數(shù)來(lái)加載cookie信息，form信息的提交用scrapy.FormRequest以及scrapy.FormRequest.from_response這兩個(gè)函數(shù)，scrapy.FormRequest.from_response能實(shí)現(xiàn)自動(dòng)提交form數(shù)據(jù)。
5.采用Scrapy+phantomJS。 downloadMiddleware 對(duì)從 scheduler 送來(lái)的 Request 對(duì)象在請(qǐng)求之前進(jìn)行預(yù)處理，可以實(shí)現(xiàn)添加 headers， user_agent，還有 cookie 等功能 。但也可以通過(guò)中間件直接返回 HtmlResponse 對(duì)象，略過(guò)請(qǐng)求的模塊，直接扔給 response 的回調(diào)函數(shù)處理。
class CustomMetaMiddleware(object):
def process_request(self,request,spider):
dcap = dict(DesiredCapabilities.PHANTOMJS)
dcap["phantomjs.page.settings.loadImages"] = False
dcap["phantomjs.page.settings.resourceTimeout"] = 10
driver = webdriver.PhantomJS("D:xx\xx",desired_capabilities=dcap)
driver.get(request.url)
body = driver.page_source.encode('utf8')
url = driver.current_url
driver.quit()
return HtmlResponse(request.url,body=body)關(guān)于scrapy在python爬蟲使用的注意事項(xiàng)有哪些就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。
文章名稱：scrapy在python爬蟲使用的注意事項(xiàng)有哪些-創(chuàng)新互聯(lián)
文章來(lái)源：http://www.dlmjj.cn/article/cccepi.html
