在學(xué)習(xí)中，如果遇到問(wèn)題把它們都收集整理出來(lái)，長(zhǎng)期保存之后也是一份經(jīng)驗(yàn)之談。小編跟大家講了這么久的scrapy框架，在自己學(xué)習(xí)的整理和小伙伴們的交流反饋中也累積了不少心得。想著有些小伙伴在python學(xué)習(xí)的時(shí)候有點(diǎn)丟三落四的毛病，特意整理出來(lái)scrapy在python爬蟲(chóng)使用中需要注意的事項(xiàng)，大家一起看看吧。

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(chóng)，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)

到此這篇關(guān)于python爬蟲(chóng)使用scrapy注意事項(xiàng)的文章就介紹到這了,更多相關(guān)scrapy在python爬蟲(chóng)使用中需要注意什么內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論