scrapy在python爬蟲使用的注意事項有哪些

這篇文章將為大家詳細講解有關scrapy在python爬蟲使用的注意事項有哪些，小編覺得挺實用的，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)

關于scrapy在python爬蟲使用的注意事項有哪些就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。