Python爬虫框架Scrapy学习笔记
scrapy.png
本文主要内容针对Scrapy有初步了解的同学。结合作者的实际项目中遇到的一些问题，汇成本文。
之后会写一些具体的爬虫demo, 放到 https://github.com/hanguangchao/scrapy_awesome
鉴于作者接触爬虫不久，水平有限，文章难免出现纰漏，还请各位达人留言指导。
内容提要
Scrapy问题记录
Scrapy问题示例代码
Scrapy常用代码片段
Scrapy常用设置
Scrapy参考资料
安装
使用
- 创建一个爬虫项目
- scrapy shell 工具
可以利用scrapy shell 分析网页
通过sel.xpath() 返回一个Selector， 可以判断页面结构是否存在。
使用中遇到的一些问题
- 一个爬虫项目中，是否支持多个Item？
- 在一个页面抓取多个Item？不同的Item如何存储？
- 爬虫进入下一级网页？
- 在爬虫中携带自定义数据？
- 重复抓取一个页面的方法？
- 分别指定每个爬虫的设置？
- 防止爬虫被ban？
针对以上问题，下面给出具体的代码示例
- 定义可以定义多个Item
- 具体的爬虫脚本
- 接第一个问题，多个Item，如何存储？
- Spider 自定义设置
使用custom_settings 该设置是一个dict.当启动spider时,该设置将会覆盖项目级的设置. 由于设置必须在初始化(instantiation)前被更新,所以该属性 必须定义为class属性
防止爬虫被ban
- 使用user agent池
- 使用IP池
- 禁止Cookie
- 增加下载延迟
- 分布式爬虫
- 一些常见设置
常用的Middleware
- 使用代理IP
- 随机Agent
- 使用PhantomJS 抓取JS网页
常用的Pipeline
过滤重复的Item
把Item存储到MySQL的Pipeline
把Item保存到JSON文件
