Scrapy配置文件说明：

第一部分：基本配置

#==>第一部分：基本配置<===
#1、项目名称，默认的USER_AGENT由它来构成，也作为日志记录的日志名
BOT_NAME = 'Amazon'#2、爬虫应用路径
SPIDER_MODULES = ['Amazon.spiders']
NEWSPIDER_MODULE = 'Amazon.spiders'#3、客户端User-Agent请求头
USER_AGENT = 'Amazon (+http://www.yourdomain.com)'#4、是否遵循爬虫协议#Obey robots.txt rules
ROBOTSTXT_OBEY = False#5、是否支持cookie，cookiejar进行操作cookie，默认开启
COOKIES_ENABLED = False#6、Telnet用于查看当前爬虫的信息，操作爬虫等...使用telnet ip port ，然后通过命令操作
TELNETCONSOLE_ENABLED = False
TELNETCONSOLE_HOST = '127.0.0.1'
TELNETCONSOLE_PORT = [6023,]#7、Scrapy发送HTTP请求默认使用的请求头
DEFAULT_REQUEST_HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8','Accept-Language': 'en',
}

第二部分：并发与延迟

#===>第二部分：并发与延迟<===
#1、下载器总共最大处理的并发请求数,默认值16
CONCURRENT_REQUESTS = 32#2、每个域名能够被执行的最大并发请求数目，默认值8
CONCURRENT_REQUESTS_PER_DOMAIN = 16'''
#3、能够被单个IP处理的并发请求数，默认值0，代表无限制，需要注意两点
#I、如果不为零，那CONCURRENT_REQUESTS_PER_DOMAIN将被忽略，即并发数的限制是按照每个IP来计算，而不是每个域名
#II、该设置也影响DOWNLOAD_DELAY，如果该值不为零，那么DOWNLOAD_DELAY下载延迟是限制每个IP而不是每个域
'''
CONCURRENT_REQUESTS_PER_IP = 16#4、如果没有开启智能限速，这个值就代表一个规定死的值，代表对同一网址延迟请求的秒数
DOWNLOAD_DELAY = 1

第三部分：智能限速

#一：介绍
from scrapy.contrib.throttle import AutoThrottle #http://scrapy.readthedocs.io/en/latest/topics/autothrottle.html#topics-autothrottle
设置目标：
1、比使用默认的下载延迟对站点更好
2、自动调整scrapy到最佳的爬取速度，所以用户无需自己调整下载延迟到最佳状态。用户只需要定义允许最大并发的请求，剩下的事情由该扩展组件自动完成#二：如何实现？
在Scrapy中，下载延迟是通过计算建立TCP连接到接收到HTTP包头(header)之间的时间来测量的。
注意，由于Scrapy可能在忙着处理spider的回调函数或者无法下载，因此在合作的多任务环境下准确测量这些延迟是十分苦难的。 不过，这些延迟仍然是对Scrapy(甚至是服务器)繁忙程度的合理测量，而这扩展就是以此为前提进行编写的。#三：限速算法
自动限速算法基于以下规则调整下载延迟
'''
#1、spiders开始时的下载延迟是基于AUTOTHROTTLE_START_DELAY的值
#2、当收到一个response，对目标站点的下载延迟=收到响应的延迟时间/AUTOTHROTTLE_TARGET_CONCURRENCY
#3、下一次请求的下载延迟就被设置成：对目标站点下载延迟时间和过去的下载延迟时间的平均值
#4、没有达到200个response则不允许降低延迟
#5、下载延迟不能变的比DOWNLOAD_DELAY更低或者比AUTOTHROTTLE_MAX_DELAY更高
'''#四：配置使用
#开启True，默认False
AUTOTHROTTLE_ENABLED = True
#起始的延迟
AUTOTHROTTLE_START_DELAY = 5
#最小延迟
DOWNLOAD_DELAY = 3
#最大延迟
AUTOTHROTTLE_MAX_DELAY = 10
'''
#每秒并发请求数的平均值，不能高于 CONCURRENT_REQUESTS_PER_DOMAIN或CONCURRENT_REQUESTS_PER_IP，调高了则吞吐量增大强奸目标站点，调低了则对目标站点更加”礼貌“
#每个特定的时间点，scrapy并发请求的数目都可能高于或低于该值，这是爬虫视图达到的建议值而不是硬限制
'''
AUTOTHROTTLE_TARGET_CONCURRENCY = 16.0
#调试
AUTOTHROTTLE_DEBUG = True
CONCURRENT_REQUESTS_PER_DOMAIN = 16
CONCURRENT_REQUESTS_PER_IP = 16

第四部分：爬取深度与爬取方式

'''
#1、爬虫允许的最大深度，可以通过meta查看当前深度；0表示无深度
# DEPTH_LIMIT = 3#2、爬取时，0表示深度优先Lifo(默认)；1表示广度优先FiFo# 后进先出，深度优先
# DEPTH_PRIORITY = 0
# SCHEDULER_DISK_QUEUE = 'scrapy.squeue.PickleLifoDiskQueue'
# SCHEDULER_MEMORY_QUEUE = 'scrapy.squeue.LifoMemoryQueue'
# 先进先出，广度优先# DEPTH_PRIORITY = 1
# SCHEDULER_DISK_QUEUE = 'scrapy.squeue.PickleFifoDiskQueue'
# SCHEDULER_MEMORY_QUEUE = 'scrapy.squeue.FifoMemoryQueue'#3、调度器队列
# SCHEDULER = 'scrapy.core.scheduler.Scheduler'
# from scrapy.core.scheduler import Scheduler#4、访问URL去重
# DUPEFILTER_CLASS = 'step8_king.duplication.RepeatUrl'
'''

第五部分：中间件、Pipelines、扩展

'''
#1、Enable or disable spider middlewares
# 启用或禁用爬行器中间件
# See http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'Amazon.middlewares.AmazonSpiderMiddleware': 543,
#}#2、Enable or disable downloader middlewares
# 启用或禁用下载中间件
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
'''
DOWNLOADER_MIDDLEWARES = {# 'Amazon.middlewares.DownMiddleware1': 543,
}
'''
#3、Enable or disable extensions
# 启用或禁用扩展
# See http://scrapy.readthedocs.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}#4、Configure item pipelines
# 配置项管道
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
'''
ITEM_PIPELINES = {# 'Amazon.pipelines.CustomPipeline': 200,
}

第六部分：缓存

"""
1. 启用缓存目的用于将已经发送的请求或相应缓存下来，以便以后使用from scrapy.downloadermiddlewares.httpcache import HttpCacheMiddlewarefrom scrapy.extensions.httpcache import DummyPolicyfrom scrapy.extensions.httpcache import FilesystemCacheStorage
"""
'''
# 是否启用缓存策略
# HTTPCACHE_ENABLED = True# 缓存策略：所有请求均缓存，下次在请求直接访问原来的缓存即可
# HTTPCACHE_POLICY = "scrapy.extensions.httpcache.DummyPolicy"
# 缓存策略：根据Http响应头：Cache-Control、Last-Modified 等进行缓存的策略
# HTTPCACHE_POLICY = "scrapy.extensions.httpcache.RFC2616Policy"# 缓存超时时间
# HTTPCACHE_EXPIRATION_SECS = 0# 缓存保存路径
# HTTPCACHE_DIR = 'httpcache'# 缓存忽略的Http状态码
# HTTPCACHE_IGNORE_HTTP_CODES = []# 缓存存储的插件
# HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
'''

DEBUG、INFO、WARN、ERROR、CRITICAL开发日志级别定义：

1、DEBUG
面向功能开发人员，一般在功能开发阶段使用，用来给开发人员检查功能是否正常的。
此类日志只在开发阶段使用，版本不输出。
2、INFO
内测 版可输出此日志，用来查看新开发特性或者 bugfix 是否正常。
上网版不输出。
3、WARN
不会对系统造成影响的非正常流程。
上网版本输出。
3、ERROR
会对系统造成影响的非正常流程，可自我修复，不影响系统稳定性。
上网版本输出。
5、CRITICAL
产生了不可逆的错误，系统无法正常工作。

配置文件settings.py中添加配置：

# scrapy 输出LOG日志的设置
import os
1.终端日志显示控制
在setting中添加一行(全部大写)：LOG_LEVEL = "WARNING"
只有结果的展示
2.日志文件输出
日志级别：调试模式
LOG_LEVEL = 'DEBUG'
#
其他级别还有：CRITICAL, ERROR, WARNING, INFO, DEBUG
# 获取当前时间
import os, datetimeos_path = os.getcwd() + '/log/'
if not os.path.exists(os_path):os.mkdir(os_path)
to_day = datetime.datetime.now()
# 需要创建log文件夹
log_file_path = 'log/scrapy_{}_{}_{}.log'.format(to_day.year, to_day.month, to_day.day)
# 文件生成的路径
LOG_FILE = log_file_path

代码演示：

目标：爬取链家租房里每一项的名字、价格、链接

items代码：

import scrapyclass LianjiaWjjItem(scrapy.Item):# define the fields for your item here like:name = scrapy.Field()price = scrapy.Field()link = scrapy.Field()

对我们想要获取的字段进行数据建模

lianjia_spider代码：

import scrapyclass LianjiaSpiderSpider(scrapy.Spider):name = "lianjia_spider"allowed_domains = ["hz.lianjia.com"]start_urls = ["https://hz.lianjia.com/zufang/"]def parse(self, response):# 标题name = response.xpath('//div[@class="content__list--item--main"]//p[@class="content__list--item--title"]/a/text()').extract()  # 是去对Selector对象取值# 价格price = response.xpath('//div[@class="content__list--item--main"]//em/text()').extract()# 链接link = response.xpath('//div[@class="content__list--item--main"]//a[@class="twoline"]/@href').extract()print(name)  # 正式解析想要的数据 将会返回一个为列表的Selector选择器对象# 所以需要将列表遍历成字符串再通过.extract()取选择器里的所有值，.extract_first()取出选择器里的第一个值for names,prices,links in zip(name,price,link):l = response.urljoin(links)  # 默认拼接不完整链接# 实例化item模板类 键名要求和字段名统一item = MyspiderItem()  # 实例化之后可以直接使用 目前是一个空字典item['name'] = names.strip()item['price'] = pricesitem['link'] = l# 将组建好的dict形式的数据通过yield返回给引擎  再由引擎返回给pipeliene文件yield item

• response里面内置了xpath语法，所以可以直接使用。
• 别忘了在每个对象后面加上.==extract()==方法，该方法可以对对象取值
• 需要实例化Item模板类
• urljoin可以拼接不完整的链接
• 要使用yield返回数据

管道代码：

import jsonclass MyspiderPipeline:def __init__(self):self.file = open('lianjia.json','w')# 该process_item方法为固定名称函数 不可修改其名字def process_item(self, item, spider):# 参数item:是爬虫文件中yield的返回的数据对象（引擎会把这个交给管道中的这个item参数）# 参数item默认是一个 <class 'mySpider.items.MyspiderItem'>类信息，需要处理成字典dict_item = dict(item)print(type(item),type(dict_item))# 将返回的字典数据转为JSON数据json_data = json.dumps(dict_item,ensure_ascii=False)+',\n'self.file.write(json_data)print("建模之后的数据：",dict_item)return item  # 必须返回给引擎，不然后面的数据没法保存def __del__(self):self.file.close()

Scrapy shell的使用：

我们想要爬虫中使用 xpath,Bs4,正则,css选择器等来提取想要的数据时,由于 Scrapy是一个重量级框架,毎次运行起来都要等待段时间,因此要去验证我们书写的规则是否正确,是—个比较麻烦的事情,因此 Scrapy提供了一个shell,用起来方便测试规则

打开：

打开cmd终端,进入到 Scrapy项目所在目录,进入到 Scrapy框架所在的环境中,输入命令

scrapy shell url,就会进入到 scrapy的shell环境中,在这个环境中,你可以跟在爬虫的 parse法中一样使用了

cd Myspider
scrapy shell https://xy.lianjia.com/zufang/
测试执行爬虫中要写的代码