常见问题¶
Scrapy与BeautifulSoup或LXML相比如何?¶
BeautifulSoup 和 lxml 是用于分析HTML和XML的库。Scrapy是一个应用程序框架,用于编写爬行网站并从中提取数据的网络蜘蛛。
Scrapy提供了一种用于提取数据的内置机制(称为:ref:selectors <topics-selectors>)但你可以轻松使用`BeautifulSoup`_(或`lxml`_),如果你觉得使用它们更舒服。 毕竟,他们只是解析可以从任何Python代码导入和使用的库。
换句话说,将`BeautifulSoup`_(或`lxml`_)与Scrapy进行比较就像将`jinja2`_与`Django`_进行比较。
我可以和BeautifulSoup一起使用Scrapy吗?¶
是的你可以。 如上所述:ref:above <faq-scrapy-bs-cmp>,`BeautifulSoup`_可用于解析Scrapy回调中的HTML响应。 您只需将响应的主体提供给``BeautifulSoup``对象,并从中提取所需的任何数据。
下面是一个使用BeautifulSoupAPI的蜘蛛示例, lxml
作为HTML解析器:
from bs4 import BeautifulSoup
import scrapy
class ExampleSpider(scrapy.Spider):
name = "example"
allowed_domains = ["example.com"]
start_urls = (
'http://www.example.com/',
)
def parse(self, response):
# use lxml to get decent HTML parsing speed
soup = BeautifulSoup(response.text, 'lxml')
yield {
"url": response.url,
"title": soup.h1.string
}
注解
``BeautifulSoup``支持几种HTML / XML解析器。 请参阅“BeautifulSoup的官方文档”,了解哪些可用。
Scrapy是否从Django“窃取”X?¶
可能吧,但我们不喜欢这个词。我们认为django_u是一个伟大的开源项目,也是一个可以效仿的例子,所以我们把它作为scrappy的灵感来源。
我们相信,如果事情已经做好,就没有必要重新发明它。 这个概念除了是开源和自由软件的基础之外,不仅适用于软件,还适用于文档,程序,策略等。因此,我们不是自己解决每个问题,而是选择从这些项目中复制想法。 已经妥善解决了这些问题,并专注于我们需要解决的实际问题。
如果Scrapy能为其他项目提供灵感,我们会感到骄傲。随时从我们这里偷东西!
Scrapy与HTTP代理一起工作吗?¶
是。 通过HTTP代理下载器中间件提供对HTTP代理的支持(自Scrapy 0.8起)。 请参阅:class:~scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware。
如何在不同的页面中抓取具有属性的项目?¶
见 向回调函数传递附加数据 .
Scrapy崩溃:importError:没有名为win32api的模块¶
您需要安装 pywin32 因为这个 Twisted bug`_ .
如何在蜘蛛中模拟用户登录?¶
Scrapy是以广度优先还是深度优先的顺序爬行?¶
默认情况下,Scrapy使用 LIFO 用于存储挂起请求的队列,这基本上意味着它会爬入 DFO order .这种订单在大多数情况下更方便。
如果你真的想爬进去 BFO order ,您可以通过设置以下设置来完成此操作:
DEPTH_PRIORITY = 1
SCHEDULER_DISK_QUEUE = 'scrapy.squeues.PickleFifoDiskQueue'
SCHEDULER_MEMORY_QUEUE = 'scrapy.squeues.FifoMemoryQueue'
当挂起的请求低于配置的值时 CONCURRENT_REQUESTS
, CONCURRENT_REQUESTS_PER_DOMAIN
或 CONCURRENT_REQUESTS_PER_IP
,这些请求同时发送。因此,前几个爬行请求很少遵循所需的顺序。将这些设置降低到 1
强制执行所需的顺序,但它会显著降低整体爬行速度。
我可怜的爬虫有记忆漏洞。我能做什么?¶
见 调试内存泄漏 .
此外,Python有一个内置的内存泄漏问题,在下面描述:ref:topics-leaks-without-leaks。
我怎么能让 Scrapy 消耗更少的记忆?¶
请参阅前面的问题。
如何防止由于许多允许的域而导致的内存错误?¶
如果你有一只蜘蛛,上面有一长串 allowed_domains
(例如50,000+),请考虑替换默认 OffsiteMiddleware
蜘蛛中间件使用 custom spider middleware 这需要较少的内存。例如:
如果您的域名足够相似,请使用您自己的正则表达式,而不是在
allowed_domains
转换为复杂的正则表达式。如果可以的话 meet the installation requirements ,使用 pyre2 而不是Python的 re 若要编译URL过滤正则表达式,请执行以下操作。看见 issue 1908 。
另请参阅 StackOverflow 。
注解
记住要禁用 scrapy.spidermiddlewares.offsite.OffsiteMiddleware
启用自定义实施时:
SPIDER_MIDDLEWARES = {
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware': None,
'myproject.middlewares.CustomOffsiteMiddleware': 500,
}
我可以在spider中使用基本的HTTP身份验证吗?¶
是的,请参阅:class:~scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware。
为什么Scrapy用英语而不是我的母语下载页面?¶
尝试更改默认值 Accept-Language request header by overriding the DEFAULT_REQUEST_HEADERS
设置。
我在哪里可以找到一些零碎项目的例子?¶
见 实例 .
我可以在不创建项目的情况下运行蜘蛛吗?¶
对。你可以使用 runspider
命令。例如,如果有一个蜘蛛用 my_spider.py
您可以用以下方式运行它的文件:
scrapy runspider my_spider.py
有关详细信息,请参阅:command:`runspider`命令。
我收到“Filtered offsite request”消息。 我该如何解决这些问题?¶
这些信息(记录 DEBUG
级别)不一定意味着有问题,因此您可能不需要修复它们。
这些消息由非现场蜘蛛中间件抛出,这是一个蜘蛛中间件(默认情况下启用),其目的是过滤掉对蜘蛛所覆盖域之外的域的请求。
有关详细信息,请参阅: OffsiteMiddleware
.
在生产中,建议采用什么方式部署 Scrapy ?¶
见 部署蜘蛛 .
我可以使用JSON进行大型输出吗?¶
这取决于你的输出有多大。 请参阅:ref:this warning <json-with-large-data>`in:class:`~scrapy.exporters.JsonItemExporter documentation。
我可以从信号处理程序返回(扭曲)延迟吗?¶
一些信号支持从其处理程序返回延迟,而另一些则不支持。请参见 内置信号参考 以了解哪些。
响应状态代码999是什么意思?¶
999是雅虎网站用来限制请求的自定义响应状态代码。尝试使用下载延迟来降低爬行速度 2
(或更高)在你的蜘蛛:
class MySpider(CrawlSpider):
name = 'myspider'
download_delay = 2
# [ ... rest of the spider code ... ]
或者通过在项目中设置全局下载延迟 DOWNLOAD_DELAY
设置。
我可以从我的蜘蛛调用``pdb.set_trace()``来调试它们吗?¶
是的,但是您也可以使用scriby shell,它允许您快速分析(甚至修改)您的spider正在处理的响应,这通常比普通的老版本更有用。 pdb.set_trace()
.
有关详细信息,请参阅 从spiders调用shell来检查响应 .
最简单的方法是将我的所有抓取项转储到json/csv/xml文件中?¶
要转储到JSON文件,请执行以下操作:
scrapy crawl myspider -O items.json
要转储到csv文件,请执行以下操作:
scrapy crawl myspider -O items.csv
要转储到XML文件,请执行以下操作:
scrapy crawl myspider -O items.xml
有关详细信息,请参阅 Feed 导出
在某些形式中使用的这个巨大的神秘``__VIEWSTATE``参数是什么?¶
这个 __VIEWSTATE
参数用于使用ASP.NET/VB.NET生成的网站。有关其工作方式的详细信息,请参见 this page . 还有,这里有一个 example spider 会爬取其中一个站点。
解析大型XML/CSV数据源的最佳方法是什么?¶
使用xpath选择器解析大型提要可能会有问题,因为它们需要在内存中构建整个提要的DOM,这可能会非常慢,并且会消耗大量内存。
为了避免在内存中一次分析所有提要,可以使用函数 xmliter
和 csviter
从 scrapy.utils.iterators
模块。事实上,这就是食性蜘蛛(参见 蜘蛛 )在封面下的用法。
我怎样才能指示蜘蛛停止自己呢?¶
从回调中提出:exc:~scrapy.exceptions.CloseSpider`异常。 有关详细信息,请参阅:: exc:`~scrapy.exceptions.CloseSpider。
如何防止我的Scrapy机器人被禁止?¶
见 避免被禁止 .
我应该使用蜘蛛参数或设置来配置我的蜘蛛吗?¶
两个 spider arguments 和 settings 可以用来配置蜘蛛。没有严格的规则要求使用其中一个或另一个,但是设置更适合于参数,一旦设置,就不会改变太多,而spider参数的更改更频繁,甚至在每次spider运行时,有时甚至需要spider运行(例如,设置spider的起始URL)。
举个例子来说明,假设您有一个蜘蛛需要登录到一个站点来获取数据,并且您只想从站点的某个部分(每次都不同)获取数据。在这种情况下,登录的凭证将是设置,而要擦除的部分的URL将是spider参数。
我正在抓取一个XML文档,而我的xpath选择器没有返回任何项¶
可能需要删除命名空间。见 正在删除命名空间 .
如何在项目管道中将项目拆分为多个项目?¶
Item pipelines 无法为每个输入项生成多个项。 Create a spider middleware 而是使用它 process_spider_output()
方法。例如::
from copy import deepcopy
from itemadapter import is_item, ItemAdapter
class MultiplyItemsMiddleware:
def process_spider_output(self, response, result, spider):
for item in result:
if is_item(item):
adapter = ItemAdapter(item)
for _ in range(adapter['multiply_by']):
yield deepcopy(item)
Scrapy支持IPv6地址吗?¶
是的,通过设置 DNS_RESOLVER
到 scrapy.resolver.CachingHostnameResolver
. 注意,这样做,您就失去了为DNS请求设置特定超时的能力( DNS_TIMEOUT
设置被忽略)。
如何处理 <class 'ValueError'>: filedescriptor out of range in select()
例外情况?¶
本期 has been reported 在macOS中运行broad crawls时出现,默认的Twisted reactor是 twisted.internet.selectreactor.SelectReactor
. 通过使用 TWISTED_REACTOR
设置。
如何取消对给定响应的下载?¶
在某些情况下,停止下载特定响应可能很有用。例如,有时您可以通过检查响应的标头或正文的第一个字节来确定是否需要响应的完整内容。在这种情况下,可以通过将处理程序附加到 bytes_received
或 headers_received
信号并引发 StopDownload
例外情况。请参阅 停止下载响应 主题,了解更多信息和示例。
正在运行 runspider
我得到了 error: No spider found in file: <filename>
¶
如果您的Scrapy项目有一个爬网模块,其名称与其中一个的名称冲突,则可能会发生这种情况 Python standard library modules ,例如 csv.py
或 os.py
,或任何 Python package 您已经安装的。看见 issue 2680 。