Scrapy学习-1-入门

基础知识

爬虫发展史

 

爬虫去重

1. 存储到数据库中

    存取速度慢

2. 存储到内存中的集合里，内存占用十分大

    当爬取数据有1亿条时

        1*10**8*2Byte*50str_len/1024/1024/1024 = 9

    结果显示仅仅爬取1亿条url数据就占用了9个G的内存，显然是不合适的

3. 将url经过md5等哈希方法存储在集合中

    一般一个md5占用128位，16Byte，结果大约为1.5G与上种方法相比，大大减少了内存占用

4. 使用bitmap位图法

    将url经过哈希后的md5值通过hash函数映射到某一位上

    一个url占据一位，同样的一个亿的数据，内存大约占据12M的内存大小。相比与hash方法又占用的内存又小了几个数量级

    这种方法带来的冲突会导致，再寻址

    虽然极大降低了内存占用，但是牺牲了运行时间

5. bloomfilter方法

    对bitmap优化后的方法，减少了hash冲突的可能性

Scrapy入门

介绍

　　Scrapy，Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

 

github项目

　　https://github.com/scrapy/scrapy

 

scrapy架构

 

新建scrapy工程

# 在虚拟环境中，workon <yourvenvname>

scrapy startproject TestSpider

This will create a tutorial directory with the following contents:

TestSpider/
    scrapy.cfg            # deploy configuration file

    TestSpider/             # project's Python module, you'll import your code from here
        __init__.py

        items.py          # project items definition file

        middlewares.py    # project middlewares file

        pipelines.py      # project pipelines file

        settings.py       # project settings file

        spiders/          # a directory where you'll later put your spiders
            __init__.py

cd TestSpider scrapy genspider example example.com

简单运行一下工程

# 创建一个main.py文件

    from scrapy.cmdline import execute

    import sys
    import os 

    sys.path.append(os.path.dirname(os.path.abspath(__file__)))
    execute(["scrapy", "crawl", "jobbole"])

# 在虚拟环境中执行

    scrapy crawl jobbole

# 或者直接运行我们的main.py文件

    ***

# 提示缺少模块

    pip install pypiwin32

# 配置settings，不遵循OBEY协议

    ROBOTSTXT_OBEY = False

# 快速调试工程,一次请求，多次测试

    scrapy shell <url_path>

 

 

Scrapy内置settings

• BOT_NAME
  默认: 'scrapybot'
  Scrapy项目实现的bot的名字。用来构造默认 User-Agent，同时也用来log。
  当你使用 startproject 命令创建项目时其也被自动赋值。
• CONCURRENT_ITEMS
  默认: 100
  Item Processor(即 Item Pipeline) 同时处理(每个response的)item的最大值
• CONCURRENT_REQUESTS
  默认: 16
  Scrapy downloader 并发请求(concurrent requests)的最大值。
• CONCURRENT_REQUESTS_PER_DOMAIN
  默认: 8
  对单个网站进行并发请求的最大值。
• CONCURRENT_REQUESTS_PER_IP
  默认: 0
  对单个IP进行并发请求的最大值。如果非0，则忽略 CONCURRENT_REQUESTS_PER_DOMAIN 设定， 使用该设定。 也就是说，并发限制将针对IP，而不是网站。
  该设定也影响 DOWNLOAD_DELAY: 如果 CONCURRENT_REQUESTS_PER_IP 非0，下载延迟应用在IP而不是网站上。
• DEFAULT_ITEM_CLASS
  默认: 'scrapy.item.Item'
  the Scrapy shell 中实例化item使用的默认类。

• DEFAULT_REQUEST_HEADERS
  默认:

  {
      'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
      'Accept-Language': 'en',
  }

  Scrapy HTTP Request使用的默认header。由 DefaultHeadersMiddleware 产生。

• DOWNLOADER
  默认: 'scrapy.core.downloader.Downloader'
  用于crawl的downloader.
• DOWNLOADER_MIDDLEWARES
  默认:: {}
  保存项目中启用的下载中间件及其顺序的字典。
• DOWNLOAD_DELAY
  默认: 0
  下载器在下载同一个网站下一个页面前需要等待的时间。该选项可以用来限制爬取速度， 减轻服务器压力。同时也支持小数:
• DOWNLOAD_HANDLERS
  默认: {}
  保存项目中启用的下载处理器(request downloader handler)的字典。
• DOWNLOAD_TIMEOUT
  默认: 180
  下载器超时时间(单位: 秒)。
• EXTENSIONS
  默认:{}
  保存项目中启用的插件及其顺序的字典。
• ITEM_PIPELINES
  默认: {}
  保存项目中启用的pipeline及其顺序的字典。该字典默认为空，值(value)任意。 不过值(value)习惯设定在0-1000范围内。
• ITEM_PIPELINES_BASE
  默认: {}
  保存项目中默认启用的pipeline的字典。 永远不要在项目中修改该设定，而是修改 ITEM_PIPELINES 。
• LOG_ENABLED
  默认: True
  是否启用logging。
• LOG_ENCODING
  默认: 'utf-8'
  logging使用的编码。
• LOG_FILE
  默认: None
  logging输出的文件名。如果为None，则使用标准错误输出(standard error)。
• LOG_FORMAT
  默认: '%(asctime)s [%(name)s] %(levelname)s: %(message)s'
  日志的数据格式
• LOG_DATEFORMAT
  默认: '%Y-%m-%d %H:%M:%S'
  日志的日期格式
• LOG_LEVEL
  默认: 'DEBUG'
  log的最低级别。可选的级别有: CRITICAL、 ERROR、WARNING、INFO、DEBUG。
• LOG_STDOUT
  默认: False
  如果为 True ，进程所有的标准输出(及错误)将会被重定向到log中。
• RANDOMIZE_DOWNLOAD_DELAY
  默认: True
  如果启用，当从相同的网站获取数据时，Scrapy将会等待一个随机的值 (0.5到1.5之间的一个随机值 * DOWNLOAD_DELAY)。
  该随机值降低了crawler被检测到(接着被block)的机会。某些网站会分析请求， 查找请求之间时间的相似性。
• REDIRECT_MAX_TIMES
  默认: 20
  定义request允许重定向的最大次数。超过该限制后该request直接返回获取到的结果。 对某些任务我们使用Firefox默认值。
• ROBOTSTXT_OBEY
  默认: False
  是否遵循robots协议
• SCHEDULER
  默认: 'scrapy.core.scheduler.Scheduler'
  用于爬取的调度器。
• SPIDER_MIDDLEWARES
  默认: {}
  保存项目中启用的下载中间件及其顺序的字典。

• USER_AGENT
  默认: "Scrapy/VERSION (+http://scrapy.org)"
  爬取的默认User-Agent，除非被覆盖。