Scrapy日誌等級以及請求傳參

• 日誌等級
• 請求傳參
• 提升scrapy的爬取效率

 

日誌等級

- 日誌信息：   使用命令：scrapy crawl 爬蟲文件 運行程序時，在終端輸出的就是日誌信息；

 

- 日誌信息的種類：

　　- ERROR：通常錯誤；

　　- WARNING：警告；

　　- INFO：通常的信息；

　　- DEBUG： 調試信息；

 

- 設置日誌信息指定輸出：

　　- 在settings配置文件中添加：

　　　　- LOG_LEVEL = ‘指定日誌信息種類’便可。

　　　　- LOG_FILE = 'log.txt'則表示將日誌信息寫入到指定文件中進行存儲。

 

請求傳參

- 在某些狀況下，咱們爬取的數據不在同一個頁面中，例如，咱們爬取一個電影網站，電影的名稱，評分在一級頁面，而要爬取的其餘電影詳情在其二級子頁面中。這時咱們就須要用到請求傳參。

 

- 經過 在scrapy.Request()中添加 meta參數 進行傳參；

scrapy.Request()

 

- 案例展現：爬取www.id97.com電影網，將一級頁面中的電影名稱，類型，評分一級二級頁面中的上映時間，導演，片長進行爬取。

　　- 爬蟲文件

# -*- coding: utf-8 -*-
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(.))表示提取當前節點下全部子節點中的數據值（.）表示當前節點
            item['kind'] = div.xpath('.//div[@class="otherinfo"]').xpath('string(.)').extract_first()
            item['detail_url'] = div.xpath('./div/a/@href').extract_first()

            #請求二級詳情頁面，解析二級頁面中的相應內容,經過meta參數進行Request的數據傳遞
            yield scrapy.Request(url=item['detail_url'],callback=self.parse_detail,meta={'item':item})

    def parse_detail(self,response):
        #經過response獲取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：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

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：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

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()

 

提升scrapy的爬取效率

- 增長併發量：

　　- 默認最大的併發量爲32，能夠經過設置settings文件修改

　　　　CONCURRENT_REQUESTS = 100

　　　　- 將併發改成100

 

- 下降日誌等級：

　　- 在運行scrapy時，會有大量日誌信息的輸出，爲了減小CPU的使用率。能夠設置log輸出信息爲INFO或者ERROR便可。修改settings.py

　　　　LOG_LEVEL = 'INFO'

 

- 禁止cookie：

　　- 若是不是真的須要cookie，則在scrapy爬取數據時能夠進制cookie從而減小CPU的使用率，提高爬取效率。修改settings.py

　　　　COOKIES_ENABLED = False

 

- 禁止重試：

　　- 對失敗的HTTP進行從新請求（重試）會減慢爬取速度，所以能夠禁止重試。修改settings.py

　　　　RETRY_ENABLED = False

 

- 減小下載超時：

　　- 若是對一個很是慢的連接進行爬取，減小下載超時能夠能讓卡住的連接快速被放棄，從而提高效率。修改settings.py

　　　　DOWNLOAD_TIMEOUT = 10

 

- 測試案例：

# -*- coding: utf-8 -*-
import scrapy
from ..items import PicproItem
# 提高spider的爬取效率測試
# 爬取4k高清壁紙網站的圖片


class PicSpider(scrapy.Spider):
    name = 'pic'
    # allowed_domains = ['www.pic.com']
    start_urls = ['http://pic.netbian.com/']

    def parse(self, response):
        li_list = response.xpath('//div[@class="slist"]/ul/li')
        print(li_list)
        for li in li_list:
            img_url ="http://pic.netbian.com/"+li.xpath('./a/span/img/@src').extract_first()
            # print(66,img_url)
            title = li.xpath('./a/span/img/@alt').extract_first()
            print("title:", title)
            item = PicproItem()
            item["name"] = title

            yield scrapy.Request(url=img_url, callback =self.getImgData,meta={"item":item})


    def getImgData(self, response):
        item = response.meta['item']
        # 取二進制數據在body中
        item['img_data'] = response.body

        yield item

import os
class PicproPipeline(object):
    def open_spider(self,spider):
        if not os.path.exists('picLib'):
            os.mkdir('./picLib')
    def process_item(self, item, spider):
        imgPath = './picLib/'+item['name']+".jpg"
        with open(imgPath,'wb') as fp:
            fp.write(item['img_data'])
            print(imgPath+'下載成功!')
        return item

配置文件:

USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36'


# Obey robots.txt rules
ROBOTSTXT_OBEY = False

ITEM_PIPELINES = {
   'picPro.pipelines.PicproPipeline': 300,
}


# 打印具體錯誤信息
LOG_LEVEL ="ERROR"

#提高爬取效率

CONCURRENT_REQUESTS = 10
COOKIES_ENABLED = False
RETRY_ENABLED = False
DOWNLOAD_TIMEOUT = 5