scrapy框架的日志等级和请求参数 - 异人夜

scrapy框架的日志等级和请求参数

一 . Scrapy的日志等级 

　　- 在使用 scrapy crawl xxx 允许程序时,在终端里打印输出的就是scrapy的日志信息

　　- 日志信息的种类 : 

　　　　 ERROR : 错误信息

　　　　 WARNING :  警告

　　　　 INFO : 一般的信息

　　　　 DEBUG : 调试信息

　　 -设置日志信息的制定输出 : 

　　　　 在settings.py配置文件中,加入 

　　　　　　LOG_LEVEL = \'ERROR\'指定日志信息种类

　　　　　　LOG_FILE = \'log.txt\' 表示将日志信息写到指定的文件中进行存储

二 . 请求传参 

　　在某些情况下,我们爬取的数据在不同的网页中,比如小说,我们要爬取的小说的题目在一个页面,对应的内容在其二级页面中,但是如果我们还用原来的思路进行请求会发生只有最后一页的情况,这个时候我们就要用到请求传参了.

　　案例演示 : 爬取www.id97.com电影网,将一级页面的电影名称 / 类型 / 评分,和二级页面的上映时间 / 导演 / 片长进行爬取 . 

爬虫文件 : 

import scrapy
from moviePro.items import MovieproItem

class MovieSpider(scrapy.Spider):
    name = \'movie\'
    allowed_domains = [\'www.id97.com\']
    start_urls = [\'http://www.id97.com/\']

    def parse(self, response):
        div_list = response.xpath(\'//div[@class="col-xs-1-5 movie-item"]\')

        for div in div_list:
            item = MovieproItem()
            item[\'name\'] = div.xpath(\'.//h1/a/text()\').extract_first()
            item[\'score\'] = div.xpath(\'.//h1/em/text()\').extract_first()
            #xpath(string(.))表示提取当前节点下所有子节点中的数据值（.）表示当前节点
            item[\'kind\'] = div.xpath(\'.//div[@class="otherinfo"]\').xpath(\'string(.)\').extract_first()
            item[\'detail_url\'] = div.xpath(\'./div/a/@href\').extract_first()
            #请求二级详情页面，解析二级页面中的相应内容,通过meta参数进行Request的数据传递
            yield scrapy.Request(url=item[\'detail_url\'],callback=self.parse_detail,meta={\'item\':item})
    #电影的详情页面
    def parse_detail(self,response):
        #通过response获取item
        item = response.meta[\'item\']
        item[\'actor\'] = response.xpath(\'//div[@class="row"]//table/tr[1]/a/text()\').extract_first()
        item[\'time\'] = response.xpath(\'//div[@class="row"]//table/tr[7]/td[2]/text()\').extract_first()
        item[\'long\'] = response.xpath(\'//div[@class="row"]//table/tr[8]/td[2]/text()\').extract_first()
        #提交item到管道
        yield item

items文件 : 

import scrapy


class MovieproItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    score = scrapy.Field()
    time = scrapy.Field()
    long = scrapy.Field()
    actor = scrapy.Field()
    kind = scrapy.Field()
    detail_url = scrapy.Field()

管道文件 pipelines.py : 

import json
class MovieproPipeline(object):
    def __init__(self):
        self.fp = open(\'data.txt\',\'w\')
    def process_item(self, item, spider):
        dic = dict(item)
        print(dic)
        json.dump(dic,self.fp,ensure_ascii=False)
        return item
    def close_spider(self,spider):
        self.fp.close()

 

三 . 如何提高scrapy的爬取效率  

增加并发：
    默认scrapy开启的并发线程为32个，可以适当进行增加。
    在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。

降低日志级别：
    在运行scrapy时，会有大量日志信息的输出，为了减少CPU的使用率。
    可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写：LOG_LEVEL = ‘INFO’

禁止cookie：
    如果不是真的需要cookie，则在scrapy爬取数据时可以进制cookie从而减少CPU的使用率，提升爬取效率。
    在配置文件中编写：COOKIES_ENABLED = False

禁止重试：
    对失败的HTTP进行重新请求（重试）会减慢爬取速度，因此可以禁止重试。
    在配置文件中编写：RETRY_ENABLED = False

减少下载超时：
    如果对一个非常慢的链接进行爬取，减少下载超时可以能让卡住的链接快速被放弃，从而提升效率。
    在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s

案例演示 : 爬取校花网校花图片  www.521609.com

爬虫文件 : 

import scrapy
from xiaohua.items import XiaohuaItem

class XiahuaSpider(scrapy.Spider):

    name = \'xiaohua\'
    allowed_domains = [\'www.521609.com\']
    start_urls = [\'http://www.521609.com/daxuemeinv/\']

    pageNum = 1
    url = \'http://www.521609.com/daxuemeinv/list8%d.html\'

    def parse(self, response):
        li_list = response.xpath(\'//div[@class="index_img list_center"]/ul/li\')
        for li in li_list:
            school = li.xpath(\'./a/img/@alt\').extract_first()
            img_url = li.xpath(\'./a/img/@src\').extract_first()

            item = XiaohuaItem()
            item[\'school\'] = school
            item[\'img_url\'] = \'http://www.521609.com\' + img_url

            yield item

        if self.pageNum < 10:
            self.pageNum += 1
            url = format(self.url % self.pageNum)
            #print(url)
            yield scrapy.Request(url=url,callback=self.parse)

items文件 : 

import scrapy


class XiaohuaItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    school=scrapy.Field()
    img_url=scrapy.Field()

管道文件 : 

import json
import os
import urllib.request
class XiaohuaPipeline(object):
    def __init__(self):
        self.fp = None

    def open_spider(self,spider):
        print(\'开始爬虫\')
        self.fp = open(\'./xiaohua.txt\',\'w\')

    def download_img(self,item):
        url = item[\'img_url\']
        fileName = item[\'school\']+\'.jpg\'
        if not os.path.exists(\'./xiaohualib\'):
            os.mkdir(\'./xiaohualib\')
        filepath = os.path.join(\'./xiaohualib\',fileName)
        urllib.request.urlretrieve(url,filepath)
        print(fileName+"下载成功")

    def process_item(self, item, spider):
        obj = dict(item)
        json_str = json.dumps(obj,ensure_ascii=False)
        self.fp.write(json_str+\'\n\')

        #下载图片
        self.download_img(item)
        return item

    def close_spider(self,spider):
        print(\'结束爬虫\')
        self.fp.close()

settings文件 : 

USER_AGENT = \'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36\'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 100
COOKIES_ENABLED = False
LOG_LEVEL = \'ERROR\'
RETRY_ENABLED = False
DOWNLOAD_TIMEOUT = 3
# Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16
DOWNLOAD_DELAY = 3