Scrapy设置中都有哪些关键配置要点可以简要记录？

本文共计620个文字，预计阅读时间需要3分钟。

Scrapy 设置配置简要介绍：

Scrapy 是一个强大的网络爬虫框架，其配置文件 `settings.py` 包含了爬虫运行的各种参数和选项。以下是一些主要的配置项：

1. USER_AGENT：设置爬虫的 User-Agent，模拟浏览器访问。

2.ROBOTSTXT_OBEY：是否遵守网站的 robots.txt 规则。

3.DOWNLOAD_DELAY：下载延迟时间，防止爬虫过快访问网站。

4.CONCURRENT_REQUESTS：同时运行的请求数量。

5.ITEM_PIPELINES：处理爬取数据的管道。

6.SPIDER_MIDDLEWARES：中间件，用于修改爬取的数据。

具体配置如下：

python

USER_AGENT='Your User-Agent'ROBOTSTXT_OBEY=TrueDOWNLOAD_DELAY=1CONCURRENT_REQUESTS=16ITEM_PIPELINES={ 'yourproject.pipelines.YourPipeline': 300,}SPIDER_MIDDLEWARES={ 'yourproject.middlewares.YourMiddleware': 543,}

本文主要介绍了scrapy settings配置，分享给大家，具体如下：

# 字符编码 FEED_EXPORT_ENCODING = 'utf-8'

# redis写法一 # REDIS_URL = 'redis://localhost:6379' # redis写法二 REDIS_HOST = '192.168.10.223' REDIS_PORT = 6379 # 默认的 scrapy redis 会读取下面的密码和db REDIS_PARAMS = { 'password': '123456', 'db': redis_db }

# 对于失败的HTTP请求(如超时)进行重试会降低爬取效率，当爬取目标基数很大时，舍弃部分数据不影响大局，提高效率 # RETRY_ENABLED = False # 请求下载超时时间，默认180秒 DOWNLOAD_TIMEOUT = 10

# 1：设置去重组件，使用的是scrapy_redis的去重组件，而不是scrapy自己的去重组件了 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" # 2：设置调度器，使用scrapy——redis重写的调度器， # 而不再使用scrapy内部的调度器了 SCHEDULER = "scrapy_redis.scheduler.Scheduler" # 3：可以实现断点爬取=jondir，（请求的记录不会丢失，会存储在redis数据库中， # 不会清除redis的队列，下次直接从redis的队列中爬取） SCHEDULER_PERSIST = True # 4：设置任务队列的模式（三选一）： # SpiderPriorityQueue数据scrapy-redis默认使用的队列模式（ # 有自己的优先级）默认第一种 SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue" # 使用了队列的形式，任务先进先出。 # SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue" # 采用了栈的形式：任务先进后出 # SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack" ''' 用来控制当接收到的 response 头信息中的 Content-Length 和内容不匹配或者response chunk 未正确结束时的时所采取的操作。 当 DOWNLOAD_FAIL_ON_DATALOSS 为 True 的时候抛出 ResponseFailed([_DataLoss]) 错误 当设置为 False 时， 校验未通过的 response 将被忽略并且添加一个名为 dataloss 的 flag 到 response.flag ''' DOWNLOAD_FAIL_ON_DATALOSS = False MONGO_URI = 'mongodb://用户名:密码@ip:port'

到此这篇关于记录一下scrapy中settings的一些配置小结的文章就介绍到这了,更多相关scrapy settings配置内容请搜索易盾网络以前的文章或继续浏览下面的相关文章希望大家以后多多支持易盾网络！