如何提升scrapy爬取数据的效率

在配置文件中修改相关参数：

• 增加并发
  • 默认的scrapy开启的并发线程为32个，可以适当的进行增加，再配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。
• 降低日志等级
  • 在scrapy运行的时候，会输出大量的日志信息，为了减少cpu的使用率，可以设置log输出信息为INFO或者ERROR.在配置文件中编写LOG_LEVEL = 'INFO'
• 禁止cookie
  • 如果不是真的需要cookie，则在scrapy爬取数据的时候可以 禁止cookie从而减少CPU的使用率，提升爬虫效率，在配置文件中编写COOKIES_ENABLED= False
• 禁止重试
  • 对失败的HTTP请求进行重新请求(重试)，会减慢爬取速度。因此可以禁止重试，在配置文件中编写：RETRY_ENABLED = False
• 减少下载超时
  • 如果对一个非常慢的链接进行爬取，减少下载超时可以让卡住的链接被快速放弃，从而提升爬取的效率。在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s

【补充】：

请求传参的的应用场景：

　　解析的数据不在同一个页面中

　　Request(callback,meta={})

下载中间件的用途：

　　批量拦截请求（代理IP和UA）和响应（处理页面数据）

如何在scrapy使用selenium
　　1.在spider的init方法中实例化一个浏览器对象
　　2.在spider的closed方法中关闭浏览器对象
　　3.在下载中间件类的process_response方法中接收spider中的浏览器对象
　　4.处理执行相关自动化操作(发起请求,获取页面数据)
　　5.实例化一个新的响应对象(from scrapy.http import HtmlResponse),且将页面数据存储到该对象中
　　6.返回新的响应对象
　　7.在配置文件中开启中间件

转载于:https://www.cnblogs.com/wqzn/p/10477486.html