Scrapy设置之Crawling style
Scrapy可以设置优先抓取哪些网页,设置DEPTH_LIMIT
可以控制抓取的最大深度,如果设为0则意味着没有限制。把DEPTH_PRIORITY
(默认值为0)设置为一个正值后,Scrapy的调度器的队列就会从LIFO变成FIFO,因此抓取规则就由DFO(深度优先)变成了BFO(广度优先):
DEPTH_PRIORITY = 1
SCHEDULER_DISK_QUEUE = 'scrapy.squeue.PickleFifoDiskQueue'
SCHEDULER_MEMORY_QUEUE = 'scrapy.squeue.FifoMemoryQueue'
这在爬网站的时候是很有用的,例如,一个新闻的门户网站,主页上有很多最近的新闻,其中每个新闻页面都有到其他页面的外链。默认情况下,Scrapy会在主页的第一个新闻中尽可能地深入,然后才会继续其他的新闻。而BFO顺序会先抓取顶层(即主页上的)的链接,然后才会进一步深入。此时若与DEPTH_LIMIT
联合使用,比如将其设置为3,就可以快速地在门户网站上获取最近的新闻了。
有些网站会在根目录下放置一个名字为robots.txt
的文件,里面声明了此网站希望爬虫遵守的规范。如果把ROBOTSTXT_OBEY
设置成了 True
,Scrapy就会遵守这个文件制定的规范。不过此时要在调试的时候注意还要忘了这一点,以防爬虫会出现一些出乎意料的行为。
CookiesMiddleware
中间件会对程序员透明地处理所有与cookie相关的操作,比如session追踪,以便可以让爬虫登录等等。如果你想让爬网站的过程更加隐秘,可以把COOKIES_ENABLED
选项设置成False
。禁用cookie也会稍稍减少传输的带宽并加速抓取的过程。同样地,REFERER_ENABLED
默认也是True
,也就是启用了RefererMiddleware
中间件,它负责填充Referer
请求头。你可以使用DEFAULT_REQUEST_HEADERS
选项来自定义请求头。有些网站会要求有特定的请求头才行,此时这个设置项就显得很有用。最后,工程中自动生成的settings.py
文件建议设置USER_AGENT
,默认是Scrapy的版本,不过最好改成网站管理员能联系到我们的一些信息。
Scrapy设置之Crawling style相关推荐
- scrapy 设置随机UA
爬虫过程中的反爬措施非常重要,其中设置随机 User-Agent 是一项重要的反爬措施,Scrapy 中设置随机 UA 的方式有很多种,有的复杂有的简单. 1.常规设置 UA 首先,说一下常规情况不使 ...
- scrapy设置代理的方法
根据最新的scrapy官方文档,scrapy爬虫框架的代理配置有以下两种方法: 1.使用中间件DownloaderMiddleware进行配置 在settings.py文件中,找到DOWNLOADER ...
- checkbox设置颜色,style样式等
大家都知道设置CheckBox的选中以及未选中效果可以使用selector,这种方式比较简单也比较传统这里不做讨论.我最近在做项目的时候使用的是Appcompatcheckbox,这个控件是一个兼容控 ...
- html width设置没用,html style的width不起作用
[msdn wpf forum翻译]TextBlock等类型的默认样式(implicit style)为何有时不起作用? 原文:[msdn wpf forum翻译]TextBlock等类型的默认样式( ...
- ios swift 纯代码设置UITableViewCell的style
1.dequeueReusableCell(withIdentifier:)方法不需要注册 func tableView(_ tableView: UITableView, cellForRowAt ...
- Scrapy设置headers、cookies三种方法
方法一:start_requests方法中添加cookies与headers: 1.重写spider中的start_requests方法 浏览器中cookies是这样的 Cookie:_T_WM=98 ...
- scrapy设置headers,cookies
scrapy中有三种方式设置headers,cookies setting中设置cookie middlewares中设置cookie sipder文件中重写start_requests方法 这里记录 ...
- Python scrapy设置代理ip
应用scrapy爬虫的时候,经常遇到ip被封的问题,直接导致无法获取数据,所以要使用代理ip. 在网上有很多大神写的案例,我选择了一个进行使用,不知道是ip的原因还是我写的有问题,还是会报错,但是思路 ...
- ESP32 LVGL8.1 ——Style bg 设置样式背景 (Style 2)
提示:本博客作为学习笔记,有错误的地方希望指正 文章目录 一.样式背景设置简介 二.Style Pad API 2.1背景颜色 bg_color 2.2背景颜色透明度 bg_opa 2.3背景的渐变颜 ...
最新文章
- linux shell $0怎么输出,linux shell中$0,$?,$!等的特殊用法
- [心跳] 使用心跳机制实现CS架构下多客户端的在线状态实时更新以及掉线自动重连...
- [Leetcode] Insertion Sort List
- python中关于字符串的操作
- python的类程序的结构_Python程序员学习路径之数据结构篇
- IOS基础之NSString,NSMutableString,NSArray的基本使用
- 【TensorFlow-windows】扩展层之STN
- 每日一笑 | 实名举报校长拿两份工资!
- self.modules() 和 self.children()的区别
- L298Nnbsp;驱动模块的应用
- python浙江大学出版社_大学计算机公共基础课如何改革?浙江高校积极探索以Python课程为主导的教学实践...
- 荣耀6plus+android5.1,荣耀6Plus Emui3.1-Android5.1.1 Root教程
- Python:实现Gale-Shapley盖尔-沙普利算法(附完整源码)
- zkteco iface702 中控考勤机java开发步骤一---连接考勤机
- 快速掌握阿里云 OSS
- 关于抢购秒杀的实现思路与事例代码
- PLL Simulink行为模型
- 前端、数据库面试要点
- python控制qq群_Python3 selenium 实现QQ群接龙自动化功能
- 联想台式修复计算机,联想台式电脑开机后显示你的电脑需要修复