scrapy在python爬蟲使用的注意事項(xiàng)有哪些

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，小編覺得挺實(shí)用的，因此分享給大家做個參考，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)庫存儲，可安裝scrapy-redis，使用redis數(shù)據(jù)庫來替換scrapy原本使用的隊(duì)列結(jié)構(gòu)（deque），并配合其它數(shù)據(jù)庫存儲，例如MySQL或者MongoDB，爬取效率將會極大提高。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settings文件正確設(shè)置后，即便停止scrapy爬蟲，當(dāng)下次重新開始后也能自動去重。原因就是在redis已經(jīng)存儲了request的信息。

2.當(dāng)涉及到代理IP，Headers頭中間請求信息處理的時(shí)候，可以通過中間件Middleware來實(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)來加載cookie信息，form信息的提交用scrapy.FormRequest以及scrapy.FormRequest.from_response這兩個函數(shù)，scrapy.FormRequest.from_response能實(shí)現(xiàn)自動提交form數(shù)據(jù)。

5.采用Scrapy+phantomJS。 downloadMiddleware 對從 scheduler 送來的 Request 對象在請求之前進(jìn)行預(yù)處理，可以實(shí)現(xiàn)添加 headers， user_agent，還有 cookie 等功能 。但也可以通過中間件直接返回 HtmlResponse 對象，略過請求的模塊，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)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。