1、scrapy框架中ROBOTSTXT_OBEY = True的解释
默认为True,就是要遵守robots.txt 的规则。
robots.txt 是遵循Robot协议 的一个文件,它保存在网站的服务器中,它的作用是,告诉搜索引擎爬虫,本网站哪些目录下的网页 不希望 你进行爬取收录。在Scrapy启动后会在第一时间访问网站的 robots.txt 文件,然后决定该网站的爬取范围。
当我们将此配置项设置为False时,拒绝遵守 robot协议 ,就可以爬取robots.txt 所禁止访问的内容。
robot协议属于道德规范,不属于法律,但是为了维护他人隐私等权益仍需遵守。
2、爬取网页弹出验证,在scrapy框架setting中末尾加上以下内容
REDIRECT_ENABLED=False# 关掉重定向, 不会重定向到新的地址
HTTPERROR_ALLOWED_CODES=[301,302]# 返回301, 302时, 按正常返回对待, 可以正常写入cookie
MEDIA_ALLOW_REDIRECTS =True
3、管道优先级
分配给每个类的整型值,确定了他们运行的顺序,item按数字从低到高的顺序,通过pipeline,通常将这些数字定义在0-1000范围内(0-1000随意设置,数值越低,组件的优先级越高)