12 Scrapy框架的日志等级和请求传参

一.Scrapy的日志等级

　　- 在使用scrapy crawl spiderFileName运行程序时，在终端里打印输出的就是scrapy的日志信息。

　　- 日志信息的种类：

　　　　　　　　ERROR ： 一般错误

　　　　　　　　WARNING : 警告

　　　　　　　　INFO : 一般的信息

　　　　　　　　DEBUG ： 调试信息

　　- 设置日志信息指定输出：

　　　　在settings.py配置文件中，加入

LOG_LEVEL = ‘指定日志信息种类’即可。

LOG_FILE = 'log.txt'则表示将日志信息写入到指定文件中进行存储。

二.请求传参

　　- 在某些情况下，我们爬取的数据不在同一个页面中，例如，我们爬取一个电影网站，电影的名称，评分在一级页面，而要爬取的其他电影详情在其二级子页面中。这时我们就需要用到请求传参。

　　- 案例展示：爬取www.id97.com电影网，将一级页面中的电影名称，类型，评分一级二级页面中的上映时间，导演，片长进行爬取。

　　爬虫文件:

 import scrapy
 from moviePro.items import MovieproItem

 class MovieSpider(scrapy.Spider):
     name = 'movie'
     allowed_domains = ['www.id97.com']
     start_urls = ['http://www.id97.com/']

     def parse(self, response):
         div_list = response.xpath('//div[@class="col-xs-1-5 movie-item"]')

         for div in div_list:
             item = MovieproItem()
             item['name'] = div.xpath('.//h1/a/text()').extract_first()
             item['score'] = div.xpath('.//h1/em/text()').extract_first()
             #xpath(string(.))表示提取当前节点下所有子节点中的数据值（.）表示当前节点
             item['kind'] = div.xpath('.//div[@class="otherinfo"]').xpath('string(.)').extract_first()
             item['detail_url'] = div.xpath('./div/a/@href').extract_first()
             #请求二级详情页面，解析二级页面中的相应内容,通过meta参数进行Request的数据传递
             yield scrapy.Request(url=item['detail_url'],callback=self.parse_detail,meta={'item':item})

     def parse_detail(self,response):
         #通过response获取item
         item = response.meta['item']
         item['actor'] = response.xpath('//div[@class="row"]//table/tr[1]/a/text()').extract_first()
         item['time'] = response.xpath('//div[@class="row"]//table/tr[7]/td[2]/text()').extract_first()
         item['long'] = response.xpath('//div[@class="row"]//table/tr[8]/td[2]/text()').extract_first()
         #提交item到管道
         yield item

　　items文件:

 # -*- coding: utf-8 -*-

 # Define here the models for your scraped items
 #
 # See documentation in:
 # https://doc.scrapy.org/en/latest/topics/items.html

 import scrapy

 class MovieproItem(scrapy.Item):
     # define the fields for your item here like:
     name = scrapy.Field()
     score = scrapy.Field()
     time = scrapy.Field()
     long = scrapy.Field()
     actor = scrapy.Field()
     kind = scrapy.Field()
     detail_url = scrapy.Field()

　　管道文件:

 # -*- coding: utf-8 -*-

 # Define your item pipelines here
 #
 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

 import json
 class MovieproPipeline(object):
     def __init__(self):
         self.fp = open('data.txt','w')
     def process_item(self, item, spider):
         dic = dict(item)
         print(dic)
         json.dump(dic,self.fp,ensure_ascii=False)
         return item
     def close_spider(self,spider):
         self.fp.close()

三. 如何提高scrapy的爬虫效率

 增加并发：
     默认scrapy开启的并发线程为32个，可以适当进行增加。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。

 降低日志级别：
     在运行scrapy时，会有大量日志信息的输出，为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写：LOG_LEVEL = ‘INFO’

 禁止cookie：
     如果不是真的需要cookie，则在scrapy爬取数据时可以进制cookie从而减少CPU的使用率，提升爬取效率。在配置文件中编写：COOKIES_ENABLED = False

 禁止重试：
     对失败的HTTP进行重新请求（重试）会减慢爬取速度，因此可以禁止重试。在配置文件中编写：RETRY_ENABLED = False

 减少下载超时：
     如果对一个非常慢的链接进行爬取，减少下载超时可以能让卡住的链接快速被放弃，从而提升效率。在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s

　　测试案例：爬取校花网校花图片 www.521609.com

　　爬虫文件:

 import scrapy
 from xiaohua.items import XiaohuaItem

 class XiahuaSpider(scrapy.Spider):

     name = 'xiaohua'
     allowed_domains = ['www.521609.com']
     start_urls = ['http://www.521609.com/daxuemeinv/']

     pageNum = 1
     url = 'http://www.521609.com/daxuemeinv/list8%d.html'

     def parse(self, response):
         li_list = response.xpath('//div[@class="index_img list_center"]/ul/li')
         for li in li_list:
             school = li.xpath('./a/img/@alt').extract_first()
             img_url = li.xpath('./a/img/@src').extract_first()

             item = XiaohuaItem()
             item['school'] = school
             item['img_url'] = 'http://www.521609.com' + img_url

             yield item

         if self.pageNum < 10:
             self.pageNum += 1
             url = format(self.url % self.pageNum)
             #print(url)
             yield scrapy.Request(url=url,callback=self.parse)

　　items文件:

 # -*- coding: utf-8 -*-

 # Define here the models for your scraped items
 #
 # See documentation in:
 # https://doc.scrapy.org/en/latest/topics/items.html

 import scrapy

 class XiaohuaItem(scrapy.Item):
     # define the fields for your item here like:
     # name = scrapy.Field()
     school=scrapy.Field()
     img_url=scrapy.Field()

　　管道文件:

 # -*- coding: utf-8 -*-

 # Define your item pipelines here
 #
 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

 import json
 import os
 import urllib.request
 class XiaohuaPipeline(object):
     def __init__(self):
         self.fp = None

     def open_spider(self,spider):
         print('开始爬虫')
         self.fp = open('./xiaohua.txt','w')

     def download_img(self,item):
         url = item['img_url']
         fileName = item['school']+'.jpg'
         if not os.path.exists('./xiaohualib'):
             os.mkdir('./xiaohualib')
         filepath = os.path.join('./xiaohualib',fileName)
         urllib.request.urlretrieve(url,filepath)
         print(fileName+"下载成功")

     def process_item(self, item, spider):
         obj = dict(item)
         json_str = json.dumps(obj,ensure_ascii=False)
         self.fp.write(json_str+'\n')

         #下载图片
         self.download_img(item)
         return item

     def close_spider(self,spider):
         print('结束爬虫')
         self.fp.close()

　　settings文件

 USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'

 # Obey robots.txt rules
 ROBOTSTXT_OBEY = False

 # Configure maximum concurrent requests performed by Scrapy (default: 16)
 CONCURRENT_REQUESTS = 100
 COOKIES_ENABLED = False
 LOG_LEVEL = 'ERROR'
 RETRY_ENABLED = False
 DOWNLOAD_TIMEOUT = 3
 # Configure a delay for requests for the same website (default: 0)
 # See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
 # See also autothrottle settings and docs
 # The download delay setting will honor only one of:
 #CONCURRENT_REQUESTS_PER_DOMAIN = 16
 #CONCURRENT_REQUESTS_PER_IP = 16
 DOWNLOAD_DELAY = 3