兄弟姐妹,大家好哇!我是喔的嘛呀。今天我们来学习 scrapy的第二部分。
一、Item Pipelines
在Scrapy框架中,Item Pipeline是一个用于处理爬虫抓取到的数据的关键组件。它负责接收由Spiders(爬虫)提取出的Item(实体),并对这些Item进行进一步的处理,如清洗、验证和持久化等。Item Pipeline提供了灵活的方式,以便将抓取的数据按照我们的需求进行存储或进一步处理。
以下是Item Pipeline的主要作用:
- 数据清洗:Pipeline可以对从网页中抓取的数据进行清洗,去除不需要的字符、空格、HTML标签等,确保数据的整洁和一致性。
- 数据验证:在将数据持久化之前,Pipeline可以执行验证操作,检查数据是否满足特定的格式或条件。这有助于确保数据的准确性和可靠性。
- 持久化存储:Pipeline可以将清洗和验证后的数据保存到数据库(如MySQL、MongoDB等)、文件(如CSV、JSON等)或其他存储系统中。这样,我们可以长期保存并随时访问这些抓取的数据。
- 发送数据到外部API:除了存储数据外,Pipeline还可以将数据发送到外部API进行进一步处理或分析。
要编写自定义的Pipeline,你需要遵循以下步骤:
- 创建Pipeline类:首先,你需要创建一个继承自
scrapy.pipelines.Pipeline
的Python类。在这个类中,你可以定义一些方法,如process_item
,来处理传入的Item。 - 实现
process_item
方法:process_item
方法是Pipeline类中的核心方法,它接收一个Item和一个Spider作为参数。在这个方法中,你可以实现数据清洗、验证和持久化等逻辑。 - 配置Pipeline:在你的Scrapy项目的
settings.py
文件中,你需要添加你的Pipeline类的路径到ITEM_PIPELINES
设置中,并为其分配一个优先级数字。这个数字决定了Pipeline的执行顺序,数字越小,优先级越高。
下面是一个简单的自定义Pipeline示例:
# myproject/pipelines.py class MyCustomPipeline(object): def __init__(self): # 初始化方法,可以在这里建立数据库连接等 self.connection = ... def open_spider(self, spider): # 在Spider打开时调用,可以用于执行一些启动时的任务 pass def close_spider(self, spider): # 在Spider关闭时调用,可以用于执行一些清理任务,如关闭数据库连接等 self.connection.close() def process_item(self, item, spider): # 处理Item的方法,你可以在这里实现数据清洗、验证和持久化等操作 # 假设item['data']是需要存储的数据 cleaned_data = self.clean_data(item['data']) if self.validate_data(cleaned_data): self.store_data(cleaned_data) return item # 如果处理成功,返回Item以便进行后续的Pipeline处理 else: raise DropItem("Invalid data: %s" % item) # 如果验证失败,则丢弃该Item def clean_data(self, data): # 数据清洗逻辑 ... def validate_data(self, data): # 数据验证逻辑 ... def store_data(self, data): # 数据持久化逻辑,例如存储到数据库 ...
然后,在你的settings.py
文件中配置Pipeline:
# myproject/settings.py ITEM_PIPELINES = { 'myproject.pipelines.MyCustomPipeline': 300, # 数字是优先级,可以根据需要调整
}
通过编写自定义的Pipeline,你可以根据自己的需求灵活地处理爬虫抓取到的数据,实现数据清洗、验证和持久化等功能。
二、Middleware(中间件)
在Scrapy框架中,中间件(Middleware)是一个非常重要的组件,它允许开发者在Scrapy引擎处理请求和响应的过程中插入自定义的代码。中间件位于Scrapy引擎和下载器之间,用于拦截、修改、或添加额外的逻辑到请求和响应中。通过中间件,你可以轻松实现如设置代理、添加请求头、处理异常等功能。
中间件的概念
中间件是一种插件式的组件,用于在Scrapy处理请求和响应的过程中添加额外的功能。Scrapy提供了请求中间件(Request Middleware)和响应中间件(Response Middleware)两种类型。请求中间件在请求被下载器发送之前处理请求,而响应中间件在响应被引擎处理之前处理响应。
如何编写自定义的中间件
要编写自定义的中间件,你需要创建一个Python类,并实现特定的方法。这些方法会在请求或响应被处理时自动调用。
以下是一个简单的自定义请求中间件的示例:
class CustomRequestMiddleware: def process_request(self, request, spider): # 在请求被发送之前修改请求,比如添加请求头 request.headers['Custom-Header'] = 'Custom Value' return None # 返回None表示继续处理请求 def process_exception(self, request, exception, spider): # 处理请求过程中发生的异常 # 可以选择记录日志、重试请求或返回None return None # 返回None表示继续抛出异常
同样地,你也可以创建自定义的响应中间件:
class CustomResponseMiddleware: def process_response(self, request, response, spider): # 在响应被处理之前修改响应,比如检查响应状态码 if response.status != 200: return self._handle_error(request, response, spider) # 处理或返回响应 return response def _handle_error(self, request, response, spider): # 处理响应错误的逻辑,比如记录日志或重试请求 pass def process_exception(self, request, exception, spider): # 处理在下载过程中发生的异常 # 可以选择记录日志、重试请求或返回None return None # 返回None表示继续抛出异常
中间件的应用场景
中间件在Scrapy爬虫中有许多应用场景,以下是一些常见的例子:
- 设置代理:通过中间件,你可以为所有请求设置代理,以隐藏你的爬虫的真实IP地址。
- 添加请求头:你可以使用中间件来添加自定义的请求头,比如User-Agent,以模拟不同的浏览器行为。
- 处理异常:中间件可以用来处理在请求或响应过程中发生的异常,比如网络错误、超时等。你可以定义重试逻辑、记录日志或采取其他适当的措施。
- 自定义请求或响应数据:在请求被发送或响应被处理之前,你可以通过中间件来修改请求或响应的数据,比如添加额外的参数、过滤不需要的数据等。
- 实现身份验证:对于需要身份验证的网站,你可以使用中间件来在请求中添加认证信息,如cookies或API令牌。
- 启用或禁用爬虫组件:通过中间件,你可以基于某些条件启用或禁用特定的爬虫组件,如某些特定的spider或downloader中间件。
要启用自定义的中间件,你需要在Scrapy项目的settings.py
文件中配置它们。对于请求中间件,你需要将它们添加到DOWNLOADER_MIDDLEWARES
设置中;对于响应中间件,你需要将它们添加到SPIDER_MIDDLEWARES
设置中。每个中间件都需要一个唯一的键(通常是中间件类的路径)和一个整数值来表示它的优先级。数值越小,优先级越高。
# settings.py DOWNLOADER_MIDDLEWARES = { 'myproject.middlewares.CustomRequestMiddleware': 543,
} SPIDER_MIDDLEWARES = { 'myproject.middlewares.CustomResponseMiddleware': 543,
}
通过编写和使用中间件,你可以灵活地扩展Scrapy的功能,满足各种复杂的爬虫需求。
三、设置与配置(Settings & Configurations)
Scrapy 设置与配置是控制爬虫行为的重要方面,通过调整不同的设置,你可以定制爬虫的行为以满足特定的需求。以下是关于 Scrapy 设置和配置的基本介绍,以及如何调整并发和延迟来优化爬虫性能。
Scrapy 设置
Scrapy 框架提供了一套默认的设置,这些设置可以在 Scrapy 项目的 settings.py
文件中进行自定义。通过修改这些设置,你可以控制爬虫的行为、性能以及数据处理等方面。
一些常见的 Scrapy 设置包括:
ROBOTSTXT_OBEY
: 控制爬虫是否遵守robots.txt
文件中的规则。CONCURRENT_REQUESTS
: 并发请求的最大数量,用于控制爬虫同时发送的请求数。DOWNLOAD_DELAY
: 下载器在连续发送请求之间的延迟时间(秒),用于控制爬虫发送请求的速率。RETRY_TIMES
: 请求失败时的重试次数。RETRY_HTTP_CODES
: 需要重试的 HTTP 状态码列表。DUPEFILTER_CLASS
: 重复请求过滤器的类名,用于去除重复的请求。ITEM_PIPELINES
: Item Pipeline 的配置和顺序。LOG_LEVEL
: 控制日志输出的级别。
你可以在 settings.py
文件中添加或修改这些设置来定制你的爬虫。例如:
python复制代码
# settings.py# 并发请求数CONCURRENT_REQUESTS = 16# 请求之间的延迟时间(秒)DOWNLOAD_DELAY = 3# 重试次数RETRY_TIMES = 3# 其他自定义设置...
并发与延迟
调整并发请求数和请求超时时间等设置是优化爬虫性能的关键。以下是一些建议:
并发请求数 (CONCURRENT_REQUESTS
):
- 增加并发请求数可以加快爬取速度,但也可能导致目标网站过载或被封禁。
- 根据目标网站的负载能力和爬虫所在服务器的性能,适当调整并发请求数。
请求之间的延迟 (DOWNLOAD_DELAY
):
- 设置适当的延迟可以模拟人类用户的浏览行为,降低被封禁的风险。
- 如果目标网站对请求频率有严格的限制,需要增加延迟时间。
超时时间:
- 你可以通过
DOWNLOAD_TIMEOUT
设置请求的超时时间。如果请求在这个时间内没有响应,Scrapy 会认为请求失败。 - 根据网络条件和目标网站的响应速度,调整超时时间以避免不必要的等待或过多的失败请求。
自动调整设置:
- Scrapy 还提供了
AUTOTHROTTLE_ENABLED
和相关设置,可以自动调整请求延迟,以根据网站的响应速度动态控制爬虫的速度。
调整这些设置时,建议逐步进行,并观察爬虫的性能和目标网站的响应。通过不断地尝试和调整,你可以找到最适合你爬虫的设置组合。
最后,记得在修改完设置后,重新启动你的 Scrapy 项目以使新的设置生效。
好了,今天的学习就到这里了,我们明天再见啦!拜拜!