Scrapy配置文件Settings的使用解读

Scrapy_配置文件Settings的使用

Scrapy允许自定义设置所有Scrapy组件的行为，包括核心、扩展、管道和spider本身。

官网-参考配置

设置 — Scrapy 2.5.0 文档 (osgeo.cn)设置 — Scrapy 2.5.0 文档

1 配置文档

• BOT_NAME

  默认: ‘scrapybot’

  Scrapy项目实现的bot的名字。用来构造默认 User-Agent，同时也用来log。 当你使用 startproject 命令创建项目时其也被自动赋值。

• CONCURRENT_ITEMS

  默认: 100

  Item Processor(即 Item Pipeline) 同时处理(每个response的)item的最大值

• CONCURRENT_REQUESTS

  默认: 16

  Scrapy downloader 并发请求(concurrent requests)的最大值。

• CONCURRENT_REQUESTS_PER_DOMAIN

  默认: 8

  对单个网站进行并发请求的最大值。

• CONCURRENT_REQUESTS_PER_IP

  默认: 0

  对单个IP进行并发请求的最大值。如果非0，则忽略 CONCURRENT_REQUESTS_PER_DOMAIN 设定， 使用该设定。 也就是说，并发限制将针对IP，而不是网站。

  该设定也影响 DOWNLOAD_DELAY: 如果 CONCURRENT_REQUESTS_PER_IP 非0，下载延迟应用在IP而不是网站上。

• FEED_EXPORT_ENCODING =‘utf-8’

  设置导出时文件的编码

• DEFAULT_REQUEST_HEADERS

  默认:

  {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language': 'en',
  }
  
  

  Scrapy HTTP Request使用的默认header。由 DefaultHeadersMiddleware 产生。

• DOWNLOADER_MIDDLEWARES

  默认:: {}

  保存项目中启用的下载中间件及其顺序的字典

• DOWNLOAD_DELAY

  默认: 0

  下载器在下载同一个网站下一个页面前需要等待的时间。该选项可以用来限制爬取速度， 减轻服务器压力。同时也支持小数

• DOWNLOAD_TIMEOUT

  默认: 180

  下载器超时时间(单位: 秒)

• ITEM_PIPELINES

  默认: {}

  保存项目中启用的pipeline及其顺序的字典。该字典默认为空，值(value)任意。 不过值(value)习惯设定在0-1000范围内

• DEPTH_LIMIT

  默认：0

  类：scrapy.spidermiddlewares.depth.DepthMiddleware

  允许为任何站点爬行的最大深度。如果为零，则不会施加任何限制。

• LOG_ENABLED

  默认: True

  是否启用logging

• LOG_ENCODING

  默认: ‘utf-8’

  logging使用的编码。

• LOG_FILE

  默认: None

  logging输出的文件名。如果为None，则使用标准错误输出(standard error)。

• LOG_FORMAT

  默认: ‘%(asctime)s [%(name)s] %(levelname)s: %(message)s’

  日志的数据格式

• LOG_DATEFORMAT

  默认: ‘%Y-%m-%d %H:%M:%S’

  日志的日期格式

• LOG_LEVEL

  默认: ‘DEBUG’

  log的最低级别。可选的级别有: CRITICAL、 ERROR、WARNING、INFO、DEBUG

• LOG_STDOUT

  默认: False

  如果为 True ，进程所有的标准输出(及错误)将会被重定向到log中

• ROBOTSTXT_OBEY

  默认: True

  是否遵循robots协议

• USER_AGENT

  默认: “Scrapy/VERSION (+http://scrapy.org)”

  爬取的默认User-Agent，除非被覆盖

2 Scrapy默认BASE设置

scrapy对某些内部组件进行了默认设置，这些组件通常情况下是不能被修改的，但是我们在自定义了某些组件以后，比如我们设置了自定义的middleware中间件，需要按照一定的顺序把他添加到组件之中，这个时候需要参考scrapy的默认设置，因为这个顺序会影响scrapy的执行，下面列出了scrapy的默认基础设置

注意

如果想要修改以下的某些设置，应该避免直接修改下列内容，而是修改其对应的自定义内容

{
  'scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware': 100,
  'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware': 300,
  'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware': 350,
  'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': 400,
  'scrapy.downloadermiddlewares.retry.RetryMiddleware': 500,
  'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware': 550,
  'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware': 580,
  'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 590,
  'scrapy.downloadermiddlewares.redirect.RedirectMiddleware': 600,
  'scrapy.downloadermiddlewares.cookies.CookiesMiddleware': 700,
  'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 750,
  'scrapy.downloadermiddlewares.chunked.ChunkedTransferMiddleware': 830,
  'scrapy.downloadermiddlewares.stats.DownloaderStats': 850,
  'scrapy.downloadermiddlewares.httpcache.HttpCacheMiddleware': 900,
}

如果需要关闭下载处理器，为其赋值为 None 即可

提示

有时添加了一些自定义的组件，无法应用到效果，可以从执行顺序方面入手

执行顺序：输值越小，优先级越高