Python爬虫从入门到精通:（26）scrapy框架03_scrapy框架爬虫所需的简单配置_Python涛哥

scrapy的简单爬虫配置

上节课，我们爬取的内容并没有看到想要的结果。
上节：scrapy框架的基本使用

因为我们还需要配置下scrapy

---

• settings.py

  1. 禁止robots

     上图中，我们看到了xxx/robots.txt 字样，说明scrapy框架与robots协议有关。

     scrapy默认是遵守robots协议的，我们在配置文件把它更改下

     

     # 在settings.py文件中，找到 ROBOTSTXT_OBEY = TRUE
     # 把它改为False
     ROBOTSTXT_OBEY = False
     

  2. 指定日志类型:LOG_LEVEL = 'ERROR'

     刚刚其实打印的是日志信息

     执行工程后，默认会输出工程所有的日志信息。

     指定类型日志的输出：LOG_LEVEL= 'ERROR'

     # 在settings.py文件中，添加一行代码（注意是直接添加） 
     LOG_LEVEL= 'ERROR'
     

  

  3. UA伪装

     我们知道，爬取网站基本都是需要headers的。那么我们在scrapy中该如何设置呢？

     

     # 配置文件中，USER_AGENT是默认注释的。我们不要注释它，并更改为自己的user-agent内容
     USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36'
     

• 爬虫文件spiderName内容阐述

  • name:爬虫文件的名称，该文件的唯一标识
  • allowed_domains：允许爬取的域名:通常注释掉
  • start_urls:起始的url列表，存储的都是url,url可以被自动进行get请求的发送
  • parse方法：请求后的数据解析操作

  ---

  我们来更改下爬虫文件代码执行下：

  import scrapy
  
  class DemoSpider(scrapy.Spider):
      # 爬虫文件名称
      name = 'demo'
  
      # 允许的域名：通常过滤掉
      # allowed_domains = ['www.xxx.com']
  
      # 起始的url列表：只可以存储url
      # 作用：列表中存储的url都会被进行get请求的发送
      start_urls = ['https://www.baidu.com/', 'https://www.sogou.com']
  
      # 数据解析
      # parse方法调用的次数完全取决于请求的次数
      # 参数response:标识的就是服务器返回的响应对象
      def parse(self, response):
          print(response)
  

这样，我们就顺利爬取到了内容。

之所以只看到了网址，那是因为我们还没有进行数据分析！下节课我们进行数据分析。

关注Python涛哥！学习更多Python知识！