Scrapy——5 下载中间件常用函数、scrapy怎么对接selenium、常用的Setting内置设置有哪些

Scrapy——5

1. 下载中间件常用的函数
2. Scrapy怎样对接selenium
3. 常用的setting内置设置
4. 对接selenium实战

（Downloader Middleware）下载中间件常用函数有哪些

Scrapy怎样对接Selenium

设置setting.py里的DOWNLOADER_MIDDLIEWARES，添加自己编写的下载中间件类

 常用的Setting内置设置有哪些

详情可以参考https://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/settings.html#concurrent-items

• CONCURRENT_REQUESTS

• 默认: 16
• Scrapy downloader 并发请求(concurrent requests)的最大值。

• CONCURRENT_ITEMS

• 默认: 100
• Item Processor(即 Item Pipeline) 同时处理(每个response的)item的最大值。

• DOWNLOAD_TIMEOUT

• 默认: 180
• 下载器超时时间(单位: 秒)。

• 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_DELAY = 0.25    # 250 ms of delay

• 该设定影响(默认启用的) RANDOMIZE_DOWNLOAD_DELAY 设定。 默认情况下，Scrapy在两个请求间不等待一个固定的值， 而是使用0.5到1.5之间的一个随机值 * DOWNLOAD_DELAY 的结果作为等待间隔。
• 当 CONCURRENT_REQUESTS_PER_IP 非0时，延迟针对的是每个ip而不是网站。
• 另外您可以通过spider的 download_delay 属性为每个spider设置该设定。

• LOG_ENCODING

• 默认: 'utf-8'
• logging使用的编码。

• 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。

• COOKIES_ENABLED

• 默认: True
• 是否启用cookies middleware。如果关闭，cookies将不会发送给web server。

对接selenium实战——PM2.5历史数据_空气质量指数历史数据_中国空气质量在线监测分析平...

此网站的数据都是通过加密传输的，我们可以通过对接selenium跳过数据加密过程，直接获取到网页js渲染后的代码，达到数据的提取

唯一的缺点就是速度太慢

• 首先创建项目（光标所在的文件是日志文件）

本次实战旨在selenium的对接，就不考虑保存数据的问题，所以不用配置items文件

• /area/area/settings.py    设置无视爬虫协议，设置对应下载中间件的激活，日志等级（设置日志等级后运行程序会生成相应的日志信息，主要的作用是为了屏蔽程序运行时过多的日志，方便观察运行结果）
• 
• /area/area/spiders/aqistudy.py    直接编写代码

  # -*- coding: utf-8 -*-
  import scrapy
  
  class AqistudySpider(scrapy.Spider):
      name = 'aqistudy'
      # allowed_domains = ['aqistudy.cn']
      start_urls = ['https://www.aqistudy.cn/historydata/']
  
      def parse(self, response):
          print('开始获取主要城市地址...')
          city_list = response.xpath("//ul[@class='unstyled']/li/a/@href").extract()
  
          for city_url in city_list[1:3]:
              yield scrapy.Request(url=self.start_urls[0]+city_url, callback=self.parse_month)
  
      def parse_month(self, response):
          print('开始获取当前城市的月份地址...')
          month_urls=  response.xpath('//ul[@class="unstyled1"]/li/a/@href').extract()
  
          for month_url in month_urls:
              yield scrapy.Request(url=self.start_urls[0]+month_url, callback=self.parse_day)
  
      def parse_day(self, response):
          print('开始获取空气数据...')
          print(response.xpath('//h2[@id="title"]/text()').extract_first()+'\n')
          item_list = response.xpath('//tr')[1:]
          for item in item_list:
              print('day: '+item.xpath('./td[1]/text()').extract_first() + '\t'
                    + 'API: '+item.xpath('./td[2]/text()').extract_first() + '\t'
                    + '质量: '+item.xpath('./td[3]/span/text()').extract_first() + '\t'
                    + 'MP2.5: '+item.xpath('./td[4]/text()').extract_first() + '\t'
                    + 'MP10: '+item.xpath('./td[5]/text()').extract_first() + '\t'
                    + 'SO2: '+item.xpath('./td[6]/text()').extract_first() + '\t'
                    + 'CO: '+item.xpath('./td[7]/text()').extract_first() + '\t'
                    + 'NO2: '+item.xpath('./td[8]/text()').extract_first() + '\t'
                    + 'O3_8h: '+item.xpath('./td[9]/text()').extract_first()
                    )

• /area/area/middlewares.py    设置下载中间件
• 程序代码发起requests的时候，都会经过中间件，所以用了一个 if 'month' in request.url：来区分
• 此处对接的是PhantomJS，也可以用别的驱动程序，用Chrome的话，一定也要记得设置无窗口模式，否则会不同的弹出窗口，更多关于selenium启动项的知识，可以参考此处
• middlewares.py用到的类是自定义的，所以在前面的设置中，激活的是相应的中间件

  # -*- coding: utf-8 -*-
  
  # Define here the models for your spider middleware
  #
  # See documentation in:
  # https://doc.scrapy.org/en/latest/topics/spider-middleware.html
  
  import time
  from selenium import webdriver
  import scrapy
  from scrapy import signals
  
  class AreaSpiderMiddleware(object):
      ......
  
  class AreaDownloaderMiddleware(object):
      ......
  
  class AreaMiddleware(object):
  
      def process_request(self, request, spider):
          self.driver = webdriver.PhantomJS()
  
          if 'month' in request.url:
              self.driver.get(request.url)
              time.sleep(2)
              html = self.driver.page_source
              self.driver.quit()
  
              return scrapy.http.HtmlResponse(url=request.url, body=html,request=request, encoding='utf-8' )

• 因为笔者的虚拟机是服务器模式（命令行窗口，无法运行selenium），所以程序是在Windows中运行的。在项目文件中的main.py文件，就是一个运行程序的文件
• 这几行就可以将scrapy的多个程序综合在一个程序中运行了，前提是你为你的Windows安装了selenium的相应驱动和Scrapy库

  # -*- coding: utf-8 -*-
  # @Time    : 2018/11/12 16:56
  # @Author  : wjh
  # @File    : main.py
  from scrapy.cmdline import execute
  execute(['scrapy','crawl','aqistudy'])

运行结果如下：