wordpress 无法连接到ftp服务器,网站用什么软件seo排名优化,上海工商局企业查询,品牌线上推广渠道有哪些简介
Scrapy是一个强大的Python爬虫框架#xff0c;可用于从网站上抓取数据。本教程将指导你创建自己的Scrapy爬虫。其中#xff0c;中间件是其重要特性之一#xff0c;允许开发者在爬取过程中拦截和处理请求与响应#xff0c;实现个性化的爬虫行为。
本篇博客将深入探讨…简介
Scrapy是一个强大的Python爬虫框架可用于从网站上抓取数据。本教程将指导你创建自己的Scrapy爬虫。其中中间件是其重要特性之一允许开发者在爬取过程中拦截和处理请求与响应实现个性化的爬虫行为。
本篇博客将深入探讨Scrapy中间件的关键作用并以一个实例详细介绍了自定义的Selenium中间件。我们将从Scrapy的基本设置开始逐步讲解各项常用设置的作用与配置方法。随后重点关注中间件的重要性介绍了下载器中间件和Spider中间件的作用并通过一个自定义Selenium中间件的示例演示了如何利用Selenium实现页面渲染并在Scrapy中应用该中间件。 如果对您对scrapy不了解建议先了解一下 初识ScrapyPython中的网页抓取神器 - 掘金 (juejin.cn)
编写settings.py
本文件为scrapy的配置文件.
以下是有关Scrapy设置的详细介绍
BOT_NAME: 设置爬虫的名称。SPIDER_MODULES 和 NEWSPIDER_MODULE: 定义了包含爬虫代码的模块路径。ROBOTSTXT_OBEY: 设置为True时遵守Robots协议爬虫将会尊重网站的robots.txt文件。USER_AGENT: 设置用户代理User-Agent模拟浏览器访问。DOWNLOAD_DELAY 和 CONCURRENT_REQUESTS_PER_IP: 控制下载延迟和每个IP的并发请求数用于避免过度访问网站。COOKIES_ENABLED: 设置为True时启用Cookies。DEFAULT_REQUEST_HEADERS: 设置默认的HTTP请求头。ITEM_PIPELINES: 定义项目管道用于处理爬取的数据。DOWNLOADER_MIDDLEWARES 和 SPIDER_MIDDLEWARES: 分别定义下载器中间件和Spider中间件用于在请求和响应过程中执行特定操作。AUTOTHROTTLE_ENABLED 和 AUTOTHROTTLE_TARGET_CONCURRENCY: 自动限速功能帮助动态调整请求速率以防止被封IP。
这些设置可以在Scrapy项目中的settings.py文件中进行配置。例如 BOT_NAME mybotSPIDER_MODULES [mybot.spiders]
NEWSPIDER_MODULE mybot.spidersROBOTSTXT_OBEY TrueUSER_AGENT Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36DOWNLOAD_DELAY 2
CONCURRENT_REQUESTS_PER_IP 4COOKIES_ENABLED FalseDEFAULT_REQUEST_HEADERS {Accept: text/html,application/xhtmlxml,application/xml;q0.9,*/*;q0.8,Accept-Language: en,
}ITEM_PIPELINES {mybot.pipelines.MyPipeline: 300,
}DOWNLOADER_MIDDLEWARES {mybot.middlewares.MyDownloaderMiddleware: 543,
}SPIDER_MIDDLEWARES {mybot.middlewares.MySpiderMiddleware: 543,
}AUTOTHROTTLE_ENABLED True
AUTOTHROTTLE_TARGET_CONCURRENCY 1.0以上是一些常用的Scrapy设置可以根据需要进行调整和扩展以满足特定爬虫的要求。
其中DEFAULT_REQUEST_HEADERS中设置默认的请求头只是整个scrapy的默认爬虫可以具体的spider里覆盖仅作用于该spider。
例如
header{Accept: text/html,application/xhtmlxml,application/xml;q0.9,*/*;q0.8,Accept-Language: en,Cookie:*****************************************************
}
for i in range(1, 2):key scenic_namelist[i]newurl https:/www.***********.com/ticket/list.htm?keyword key regionfrommpl_search_suggestprint(newurl)yield Request(urlnewurl,headersheader)该操作可用于一个scrapy项目里有多个网站的爬虫的情况下需要设置不同的请求头。 可以在生成request时去添加header将覆盖setting里配置的默认header。
而文章中PIP管道和各个中间件之中的配置后边的数字是指优先度。数字越小优先度越高若同时启动多个中间件请求将从优先度高的中间件-优先度低的中间件的顺序全部处理一遍。
自定义中间件
Scrapy中间件是在Scrapy引擎处理请求和响应的过程中允许你在特定的点上自定义处理逻辑的组件。它们在整个爬取过程中能够拦截并处理Scrapy引擎发送和接收的请求和响应。中间件可以用于以下几个方面
全局性处理请求和响应 中间件可以截取所有请求和响应允许你对它们进行全局性的修改例如添加自定义的请求头、代理设置或处理响应数据等。自定义爬取过程 通过中间件你可以自定义爬取的逻辑。例如在请求被发送之前可以通过中间件对请求进行处理或者在收到响应后对响应进行预处理以适应特定需求或网站的要求。处理下载器Downloader和Spider之间的通信 中间件允许你在下载器和Spider之间进行通信并在其中植入处理逻辑。这可以用于在请求下载之前或响应到达Spider之后执行额外的操作。实现和管理代理、用户认证等 中间件也常用于处理代理设置、用户认证等功能。这些功能可能是整个爬取过程中必不可少的一部分。处理异常和错误 中间件可以用于捕获请求过程中可能出现的异常或错误以执行相应的错误处理逻辑比如重试请求或记录错误日志等。
在Scrapy中有两种类型的中间件
Downloader Middleware用于处理引擎发送给下载器的请求和下载器返回的响应。Spider Middleware处理引擎发送给Spider的响应和Spider返回的请求。
通过编写和配置这些中间件我们可以高度定制Scrapy爬虫的行为从而更有效地处理网站数据并应对不同的场景和需求。 下面我们以一个自定义的Selenium中间件为例子来让大家更加深入的了解中间件。
from selenium import webdriver
from scrapy.http import HtmlResponse
from selenium.common.exceptions import TimeoutException
from scrapy import signalsclass SeleniumMiddleware(object):def __init__(self):self.driver webdriver.Chrome(executable_pathpath_to_chromedriver)classmethoddef from_crawler(cls, crawler):middleware cls()crawler.signals.connect(middleware.spider_closed, signals.spider_closed)return middlewaredef process_request(self, request, spider):if request.meta.get(selenium):try:self.driver.get(request.url)body self.driver.page_source.encode(utf-8)return HtmlResponse(self.driver.current_url, bodybody, encodingutf-8, requestrequest)except TimeoutException:return HtmlResponse(self.driver.current_url, status504, requestrequest)return Nonedef spider_closed(self, spider):self.driver.quit()这个中间件示例使用了Selenium库它会在处理Scrapy请求时检查请求的元数据中是否包含selenium字段。如果包含它将使用Selenium打开浏览器并加载页面然后返回页面的HTML内容给Spider。request.meta.get也是我们判断某个中间件是否启动常用操作。
要使用这个中间件需要在settings.py中进行相应的配置
DOWNLOADER_MIDDLEWARES {your_project_name.middlewares.SeleniumMiddleware: 543,
}SELENIUM_BROWSER Chrome # 设置浏览器类型可以是Chrome/Firefox等在使用selenium中间件时有一些需要注意的地方。 如果使用场景是某个搜索框若我们使用显示等待的方式等待结果元素的动态加载时要考虑到若搜索结果为空的情况此时显示等待就会报时间超限的异常。我们要提前想好处理逻辑。
下面是一个此种场景下的真实样例 当然我们的生成URL列表的逻辑也可以放在中间件中在def init(self):中执行。
