溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇文章為大家展示了scrapy在python爬蟲中使用時需要注意哪些問題，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。
1.如果需要大批量分布式爬取，建議采用Redis數據庫存儲，可安裝scrapy-redis，使用redis數據庫來替換scrapy原本使用的隊列結構（deque），并配合其它數據庫存儲，例如MySQL或者MongoDB，爬取效率將會極大提高。并且其自帶的dupefilter.py負責執行requst的去重，使用redis的set數據結構，通過settings文件正確設置后，即便停止scrapy爬蟲，當下次重新開始后也能自動去重。原因就是在redis已經存儲了request的信息。
2.當涉及到代理IP，Headers頭中間請求信息處理的時候，可以通過中間件Middleware來實現。Spider中間件是介入到Scrapy的spider處理機制的鉤子框架，可以添加代碼來處理發送給 Spiders的response及spider產生的item和request。
3.合理設置settings文件，需要熟練掌握settings的各種設置。
4.可以重新定義def start_requests(self)函數來加載cookie信息，form信息的提交用scrapy.FormRequest以及scrapy.FormRequest.from_response這兩個函數，scrapy.FormRequest.from_response能實現自動提交form數據。
5.采用Scrapy+phantomJS。 downloadMiddleware 對從 scheduler 送來的 Request 對象在請求之前進行預處理，可以實現添加 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 的回調函數處理。
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)上述內容就是scrapy在python爬蟲中使用時需要注意哪些問題，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
