scrapy五大组件及setting配置

settings:

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中修改：CONCURRENT_REQUESTS = 32

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：LOG_LEVEL=‘ERROR’

Python的内置日志记录定义了5个不同的级别来指示给定日志消息的严重性。以下是标准的，按降序排列：

CRITICAL - 严重错误

ERROR - 一般错误

WARNING - 警告信息

INFO - 一般信息

DEBUG - 调试信息

禁止COOKIE：

如果不是真的需要cookie，则在scrapy爬取数据时可以禁止cookie从而减少CPU使用率，提升性能：COOKIES_ENABLED = False

禁止重试：

对失败的HTTP进行重新请求（重试）会减慢爬虫速度，因此可以禁止重试：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放弃，从而提高下载性能：DOWNLOAD_TIMEOUT=10

五大核心组件
引擎(Scrapy)

用来处理整个系统的数据流处理, 触发事务(框架核心)

调度器(Scheduler)

用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列,
由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

下载器(Downloader)

用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

爬虫(Spiders)

爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息,即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

项目管道(Pipeline)

负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。