20行Python scrapy 代码，去采集【X桥】训练营

scrapy 中的 settings.py 文件在项目中是非常重要的，因其包含非常多的配置。
这篇博客基于官方手册为你说明 settings.py 文件相关配置，并补充一些扩展说明。

settings 的 4 个级别

1. 优先级最高 - 命令行，例如 scrapy crawl my_spider -s LOG_LEVEL=WARNINI；
2. 优先级第二 - 爬虫文件自己的设置，例如在 xxx.py 文件中设置 custom_settings；
3. 优先级第三 - 项目模块，这里指的是 settings.py 文件中的配置；
4. 优先级第四 - default_settings 属性配置；
5. 优先级第五 - default_settings.py 文件中的配置。

settings 配置的读取，一般使用 spider 中的 from_crawler 方法，在中间件，管道，扩展中都可以进行调用。

settings 配置读取操作非常简单，上一篇博客已经有所涉及，命令格式如下所示：

scrapy settings --get 配置变量名称

settings 常用配置

基本配置

• BOT_NAME：爬虫名称；
• SPIDER_MODULES：爬虫模块列表；
• NEWSPIDER_MODULE：模块在哪里使用 genspider 命令创建新的爬虫；

日志

scrapy 日志与 logging 模块一致，使用 5 个级别：
配置名为 LOG_LEVEL，最低的是 DEBUG（默认），INFO，WARNING，ERROR，CRITICAL(最高)。
其余日志相关配置如下，

• LOGSTATS_INTERVAL：设置日志频率，默认是 60 秒，可以修改为 5 秒，
• LOG_FILE：日志文件；
• LOG_ENABLED：是否启用日志，关闭了运行爬虫，就啥都不输出了；
• LOG_ENCODING：编码；
• LOG_FORMAT：日志格式，这个可以参考 logging 模块学习；
• LOG_DATEFORMAT：同上，负责格式化日期/时间；

统计

• STATS_DUMP：默认开启，爬虫采集完毕，将爬虫运行信息统计并输出到日志；
• DOWNLOADER_STATS：启用下载中间件统计；
• DEPTH_STATS 和 DEPTH_STATS_VERBOSE：统计深度相关设置；
• STATSMAILER_RCPTS：爬虫采集完毕，发送邮箱列表。

性能

• CONCURRENT_REQUESTS：最大并发请求数，抓取不同网站时使用，该值默认是 16，如果一次请求耗时 0.2 秒，则并发极限是 16/0.2 = 80 次请求
• CONCURRENT_REQUESTS_PER_DOMAIN 和 CONCURRENT_REQUESTS_PER_IP：单个域或者单个 IP 的最大并发请求数；
• CONCURRENT_ITEMS：每次请求并发处理的最大文件数，如果 CONCURRENT_REQUESTS=16，CONCURRENT_ITEMS=100，则表示每秒有 1600 个文件会被写入数据库；
• DOWNLOAD_TIMEOUT：下载器在超时前等待的时间量；
• DOWNLOAD_DELAY：下载延迟，限制爬取速度，配合 RANDOMIZE_DOWNLOAD_DELAY 使用，会使用一个随机值 * DOWNLOAD_DELAY；
• CLOSESPIDER_TIMEOUT，CLOSESPIDER_ITEMCOUNT，CLOSESPIDER_PAGECOUNT，CLOSESPIDER_ERRORCOUNT：四个配置比较类似，都是为了提前关闭爬虫，分别为时间，抓取 item 的数量，发出一定的请求数，发生一定的错误量。

抓取相关

• USER_AGENT：用户代理；
• DEPTH_LIMIT：抓取的最大深度，在深度抓取时有用；
• ROBOTSTXT_OBEY：是否遵守 robots.txt 约定；
• COOKIES_ENABLED：是否禁用 cookie，禁用之后有时能提高采集速度；
• DEFAULT_REQUEST_HEADERS：请求头；
• IMAGES_STORE：使用 ImagePipeline 时图片的存储路径；
• IMAGES_MIN_WIDTH 和 IMAGES_MIN_HEIGHT：筛选图片；
• IMAGES_THUMBS：设置缩略图；
• FILES_STORE：文件存储路径；
• FILES_URLS_FIELD 与 FILES_RESULT_FIELD：使用 Files Pipeline 时的一些变量名配置；
• URLLENGTH_LIMIT：允许抓取网站地址的最大长度。

扩展功能

• ITEM_PIPELINES：管道配置；
• COMMANDS_MODULE：自定义命令；
• DOWNLOADER_MIDDLEWARES：下载中间件；
• SCHEDULER：调度器；
• EXTENSIONS：扩展；
• SPIDER_MIDDLEWARES：爬虫中间件；
• RETRY_*：设置了 Retry 相关中间件配置；
• REDIRECT_*：设置了 Redirect 相关中间件配置；
• METAREFRESH_*：设置了 Meta-Refresh 中间件相关配置；
• MEMUSAGE_*：设置了内存相关配置。

settings 配置的一些技巧

1. 通用配置写在项目的 settings.py 文件中；
2. 爬虫个性化设置写在 custom_settings 变量内；
3. 不同进行的爬虫，配置要初始化在命令行内。

本篇博客的爬虫案例

这一次的爬虫就采集蓝桥训练营的课程吧，页面经过测试得到的请求地址如下：

https://www.lanqiao.cn/api/v2/courses/?page_size=20&page=2&include=html_url,name,description,students_count,fee_type,picture_url,id,label,online_type,purchase_seconds_info,level

其中参数除了 page_size 和 page 以外，还存在一个 include 参数，这也是接口中常用的一个参数，其值代表接口返回哪些字段（包含哪些属性），如下图所示。

接下来就使用 scrapy 将其实现，并把结果保存到 json 文件中。

lanqiao.py 文件代码

import json
import scrapy

from lq.items import LqItem


class LanqiaoSpider(scrapy.Spider):
    name = 'lanqiao'
    allowed_domains = ['lanqiao.cn']

    def start_requests(self):
        url_format = 'https://www.lanqiao.cn/api/v2/courses/?page_size=20&page={}&include=html_url,name,description,students_count,fee_type,picture_url,id,label,online_type,purchase_seconds_info,level'
        for page in range(1, 34):
            url = url_format.format(page)
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        json_data = json.loads(response.text)
        for ret_item in json_data["results"]:
            item = LqItem(**ret_item)
            yield item

代码中直接将 ret_item 赋值到了 LqItem 的构造函数中，实现对字段的赋值。

items.py 文件代码

该类主要对数据字段进行限制。

import scrapy


class LqItem(scrapy.Item):

    # define the fields for your item here like:
    # name = scrapy.Field()
    html_url = scrapy.Field()
    name = scrapy.Field()
    description = scrapy.Field()
    students_count = scrapy.Field()
    fee_type = scrapy.Field()
    picture_url = scrapy.Field()
    id = scrapy.Field()
    label = scrapy.Field()
    online_type = scrapy.Field()
    purchase_seconds_info = scrapy.Field()
    level = scrapy.Field()

settings.py 开启部分配置

BOT_NAME = 'lq'

SPIDER_MODULES = ['lq.spiders']
NEWSPIDER_MODULE = 'lq.spiders'

USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36'

ROBOTSTXT_OBEY = False
CONCURRENT_REQUESTS = 16
DOWNLOAD_DELAY = 3

爬虫运行结果：

累计爬取到 **600+**课程信息。

写在后面

今天是持续写作的第 254 / 365 天。
期待 关注，点赞、评论、收藏。