Python爬虫教程-32-Scrapy 爬虫框架项目 Settings.py 介绍

Posted 2021-01-04 xpwi

本篇介绍项目开发的过程中，对 Setting 文件的配置和使用

Python爬虫教程-32-Scrapy 爬虫框架项目 Settings.py 介绍

• settings.py 文件的使用
• 想要详细查看 settings.py文件的更多内容，可查看中文文档：
  • https://scrapy-chs.readthedocs.io/zh_CN/latest/topics/settings.html

Settings 中配置 USER_AGENTS

• 在 settings.py 文件中很多东西默认是给注释掉的，当我们需要使用的时候，根据注释的提示，我们编写我们自己的内容
  
• 例如：
• 我们想设置一个 USER_AGENT 列表
  • 在 settings.py 文件中找到 USER_AGENT ，拷贝常用的 USER _AGENT 值在它下面
    
  • 但是 settings 只有一行，就是没有具体的内容，我们想要使用的话，就需要我们自己去填写
  • 这就需要我们自己在网上找到常用的浏览器 User-Agent 值， 我找到了一些，想要使用直接拷贝就可以

  USER_AGENTS = [
  "Mozilla/5.0 (compatible; MISE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.5.727; Media Center PC 6.0)",
  "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36",
  "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
  "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML, like Gecko) Chrome/10.0.648.133 Safari/534.16",
  "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0",
  "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
  "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60 ", 
  "Opera/8.0 (Windows NT 5.1; U; en) ",
  "Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50 ", 
  "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50",
  "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2",
  "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400) ",
  "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)", 
  ]

• 直接将这段代码拷贝到 Settings 文件中就可以

Settings 中配置 PROXIES

• 关于 proxy 代理 IP 的详细介绍，查看：Python爬虫教程-11-proxy代理IP，隐藏地址（猫眼电影）
• 获取代理IP 的网站：
  • www.goubanjia.com
  • www.xicidaili.com
    
• 从网站上找可用的 IP，直接拷贝就行，然后在Settings 中拷贝下面这段代码：

# IP 有效期一般20天，请自行到上述网站获取最新 IP
PROXIES = [
    {‘ip_port‘: ‘177.136.120.174:80‘, ‘user_passwd‘: ‘user1:pass1‘},
    {‘ip_port‘: ‘218.60.8.99:3129‘, ‘user_passwd‘: ‘user2:pass2‘},
    {‘ip_port‘: ‘206.189.204.62:8080‘, ‘user_passwd‘: ‘user3:pass3‘},
    {‘ip_port‘: ‘125.62.26.197:3128‘, ‘user_passwd‘: ‘user4:pass4‘}
]

• 这些类似的设置都是一次设置，就可以重复使用了

关于去重

• 很多网站都是相同的内容，比如介绍 python 爬虫的，很多很多，假设爬取到这些的时候，我们就值需要一个，利用 scrapy 的去重功能，防止它对重复网站无限制爬下去
• 为了防止爬虫陷入死循环，需要去重
  • 即在 spider 中 parse 函数中，返回 Request 的时候加上 dont_filter = False 参数

  myspider(scrapy.Spider):
   def parse (...):
  ...
   yield scrapy.Request(url = url, callback = self.parse, dont_filter = False)

• 如何在 scrapy 使用 selenium
  • 可以放入中间件中的 process _request 函数中
  • 在函数中调用 selenium，完成爬取后返回 Response
    

  class MyMiddleWare(object):
   def process_request(...):
  
       driver = webdriver.Chrome()
       html = driver.page_source
       driver.quit()
  
       return HtmlResponse(url = request.url, encoding = ‘utf-8‘, body = html ,request = requeset

• 下一篇链接：Python爬虫教程-33-scrapy shell的使用及Scrapy爬虫框架实例
• 拜拜

---

• 本笔记不允许任何个人和组织转载