[403]scrapy setting配置及说明

参考文档http://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/settings.html#topics-settings-ref

• AUTOTHROTTLE_START_DELAY = 3
  开始下载时限速并延迟时间

• AUTOTHROTTLE_MAX_DELAY = 60
  高并发请求时最大延迟时间

• AWS_ACCESS_KEY_ID
  它是用于访问亚马逊网络服务。
  默认值：无

• AWS_SECRET_ACCESS_KEY
  它是用于访问亚马逊网络服务。

• BOT_NAME
  它是一种可以用于构建用户代理机器人的名称。
  默认值：“scrapybot”
  eg:BOT_NAME=“scrapybot”

• CONCURRENT_ITEMS
  在用来并行地处理所述物品处理器的现有项目的最大数目。
  默认 Item 并发数：100

• CONCURRENT_REQUESTS
  其中Scrapy下载执行现有的最大请求数。
  默认值：16
  并发是指scrapy同时处理的request的数量，默认的全局并发限制为16，可增加这个值，增加多少取决于爬虫占CPU多少，设置前最好测试一下，一般占在80-90%为好

• CONCURRENT_REQUESTS_PER_DOMAIN
  现有的最大请求数，对于任何单域同时进行。
  默认值：8

• CONCURRENT_REQUESTS_PER_IP
  现有的请求的最大数量的同时执行任何单一的IP。
  默认值：0(0表示忽略)

• COOKIES_ENABLED = False
  禁止cookies，有些站点会从cookies中判断是否为爬虫

• DEFAULT_ITEM_CLASS
  它是用来表示商品一类。
  默认值：“scrapy.item.Item”

• DEFAULT_REQUEST_HEADERS
  它是用于Scrapy的HTTP请求的默认标题。
  默认值：

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

• DEPTH_LIMIT
  因为蜘蛛的最大深度抓取任何网站。
  默认值：0
  爬取网站最大允许的深度(depth)值。如果为0，则没有限制

• DEPTH_PRIORITY
  整数值。用于根据深度调整request优先级。如果为0，则不根据深度进行优先级调整。
  默认值：0

• DEPTH_STATS
  它指出是否收集详细的统计资料与否。
  默认值：True

• DEPTH_STATS_VERBOSE
  当启用此设置，请求数统计中的每个详细深入的收集。
  默认值：False

• DNSCACHE_ENABLED
  它是用来启用内存缓存DNS。
  默认值：True

• DNSCACHE_SIZE
  它定义了在内存中缓存DNS的大小。
  默认值：10000

• DNS_TIMEOUT
  它是用来设置超时DNS处理的查询。
  默认值：60

• DOWNLOADER
  它是用来抓取过程中下载。
  默认值：“scrapy.core.downloader.Downloader”

• DOWNLOADER_MIDDLEWARES
  这是辞典保持下载中间件和他们的订单。
  默认值： {}

• DOWNLOADER_MIDDLEWARES_BASE
  这是默认启用的一个辞典保持下载中间件。
  默认值：

{
    '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,
}

包含Scrapy默认启用的下载中间件的字典。 永远不要在项目中修改该设定，而是修改DOWNLOADER_MIDDLEWARES

• DOWNLOADER_STATS
  此设置用于启用下载统计。
  默认值：True

• DOWNLOAD_DELAY
  它定义的总时间下载它从下载网站的网页之前。
  默认值：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。

默认情况下，Scrapy在两个请求间不等待一个固定的值， 而是使用0.5到1.5之间的一个随机值 * DOWNLOAD_DELAY 的结果作为等待间隔。

• DOWNLOAD_HANDLERS
  它与下载处理程序的字典。
  默认值： {}

• DOWNLOAD_HANDLERS_BASE
  它与默认情况下启用下载处理程序的字典。
  默认值：

{
    'file': 'scrapy.core.downloader.handlers.file.FileDownloadHandler',
    'http': 'scrapy.core.downloader.handlers.http.HttpDownloadHandler',
    'https': 'scrapy.core.downloader.handlers.http.HttpDownloadHandler',
    's3': 'scrapy.core.downloader.handlers.s3.S3DownloadHandler',
}

• DOWNLOAD_TIMEOUT
  它的总时间下载到之前等待超时。
  默认值：180

• DOWNLOAD_MAXSIZE
  这是响应的下载器下载的最大尺寸。
  默认值：1073741824 (1024MB)

• DOWNLOAD_WARNSIZE
  它定义为响应下载警告的大小。
  默认值：33554432 (32MB)

• DUPEFILTER_CLASS
  这是用于检测和是重复的请求的滤波的类。
  默认值：“scrapy.dupefilters.RFPDupeFilter”

• DUPEFILTER_DEBUG
  当设置为true此设置记录所有重复的过滤器。
  默认值：False

• EDITOR
  它是用来编辑使用编辑命令蜘蛛。
  默认值：取决于环境

• EXTENSIONS
  它是具有在项目中启用的扩展字典。
  默认值： {}

• EXTENSIONS_BASE
  它是具有内置的扩展字典。
  默认值：

{
    'scrapy.extensions.corestats.CoreStats': 0,
    'scrapy.telnet.TelnetConsole': 0,
    'scrapy.extensions.memusage.MemoryUsage': 0,
    'scrapy.extensions.memdebug.MemoryDebugger': 0,
    'scrapy.extensions.closespider.CloseSpider': 0,
    'scrapy.extensions.feedexport.FeedExporter': 0,
    'scrapy.extensions.logstats.LogStats': 0,
    'scrapy.extensions.spiderstate.SpiderState': 0,
    'scrapy.extensions.throttle.AutoThrottle': 0,
}

• FEED_TEMPDIR
  它是用来设置，其中履带临时文件可以存储自定义文件夹的目录。

• ITEM_PIPELINES
  它是具有管线的字典。
  默认值： {}

• ITEM_PIPELINES_BASE
  默认: {}
  保存项目中默认启用的pipeline的字典。 永远不要在项目中修改该设定，而是修改 ITEM_PIPELINES。

• LOG_ENABLED
  它定义如果日志被启用。
  默认值：True

• LOG_ENCODING
  它定义了将用于记录的编码类型。
  默认值： ‘UTF-8’

• LOG_FILE
  它是用于记录的输出文件的名称。logging输出的文件名。如果为None，则使用标准错误输出(standard error)。
  默认值：无

• LOG_FORMAT
  它是利用它的日志信息可以被格式化的字符串。
  默认值：’%(asctime)s [%(name)s] %(levelname)s: %(message)s’

• LOG_DATEFORMAT
  它是利用它的日期/时间可以格式化字符串。
  默认值： ‘%Y-%m-%d %H:%M:%S’

• LOG_LEVEL
  它定义最低日志级别。
  默认值：“DEBUG”
  log的最低级别。可选的级别有: CRITICAL、 ERROR、WARNING、INFO、DEBUG 。

• LOG_STDOUT
  此设置如果设置为true ，所有侑过程输出会出现在日志中。
  默认值：False

• MEMDEBUG_ENABLED
  它定义如果内存调试启用。
  默认值：False

• MEMDEBUG_NOTIFY
  它定义启用内存调试时，发送到特定地址的内存报告。
  默认值： []

• MEMUSAGE_ENABLED
  它定义如果存储器使用是当scrapy过程超过存储器限制被启用。
  默认值：False

• MEMUSAGE_LIMIT_MB
  如果定义了存储器的最大限制(in megabytes)被允许。在关闭Scrapy之前所允许的最大内存数(单位: MB)(如果 MEMUSAGE_ENABLED为True)。 如果为0，将不做限制。
  默认值：0

• MEMUSAGE_CHECK_INTERVAL_SECONDS
  它用于通过设置间隔的长度，以检查本内存使用情况。
  默认值：60.0

• MEMUSAGE_NOTIFY_MAIL
  它是用来当内存达到极限与电子邮件列表通知。
  默认值：False

• MEMUSAGE_REPORT
  它定义如果内存使用情况报告要在关闭每个蜘蛛发送。
  默认值：False

• MEMUSAGE_WARNING_MB
  它定义被发送警告之前被允许的总存储。
  默认值：0

• NEWSPIDER_MODULE
  这是其中使用创造了新的蜘蛛模块genspider命令。
  默认值： ‘’

• RANDOMIZE_DOWNLOAD_DELAY
  它定义的时候了Scrapy等待下载的同时从网站上请求一个随机量。如果启用，当从相同的网站获取数据时，Scrapy将会等待一个随机的值 (0.5到1.5之间的一个随机值 * DOWNLOAD_DELAY
  默认值：True

• REACTOR_THREADPOOL_MAXSIZE
  它定义为在反应器线程池的最大尺寸。
  默认值：10

• REDIRECT_MAX_TIMES
  它定义了一个请求多少次可以重定向。
  默认值：20

• REDIRECT_PRIORITY_ADJUST
  设置时，该设置，调整的请求重定向优先级。修改重定向请求相对于原始请求的优先级。 负数意味着更多优先级
  默认值：+2

• RETRY_PRIORITY_ADJUST
  设置时，该设置，调整请求重试的优先权。
  默认值：-1

• RETRY_ENABLED = False
  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

• ROBOTSTXT_OBEY
  当设置为Scrapy遵循robots.txt政策true 。
  默认值：False
  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。

• SCHEDULER
  它定义了用于抓取目的调度。
  默认值：“scrapy.core.scheduler.Scheduler”

• SPIDER_CONTRACTS
  它是在有项目蜘蛛合同测试蜘蛛的字典。
  默认值： {}

• SPIDER_CONTRACTS_BASE
  这是保持其在Scrapy默认启用Scrapy合同的字典。
  默认值：

{
    'scrapy.contracts.default.UrlContract' : 1,
    'scrapy.contracts.default.ReturnsContract': 2,
    'scrapy.contracts.default.ScrapesContract': 3,
}

• SPIDER_LOADER_CLASS
  它定义了实现一个类SpiderLoader API来加载蜘蛛。
  默认值：“scrapy.spiderloader.SpiderLoader”

• SPIDER_MIDDLEWARES
  这是拿着蜘蛛中间件的字典。
  默认值： {}

• SPIDER_MIDDLEWARES_BASE
  这是在Scrapy默认启用一个辞典保持蜘蛛中间件。
  默认值：

{
    'scrapy.spidermiddlewares.httperror.HttpErrorMiddleware': 50,
    'scrapy.spidermiddlewares.offsite.OffsiteMiddleware': 500,
    'scrapy.spidermiddlewares.referer.RefererMiddleware': 700,
    'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware': 800,
    'scrapy.spidermiddlewares.depth.DepthMiddleware': 900,
}

• SPIDER_MODULES
  它是一种含有蜘蛛其中Scrapy将寻找模块列表。
  默认值： []

• STATS_CLASS
  这是实现一类Stats Collector API来收集统计信息。
  默认值：“scrapy.statscollectors.MemoryStatsCollector”

• STATS_DUMP
  当设置此设置true ，转储统计到日志中。
  默认值：True

• STATSMAILER_RCPTS
  一旦蜘蛛刮完毕，Scrapy使用此设置发送统计数据。
  默认值： []

• TELNETCONSOLE_ENABLED
  它定义是否启用telnetconsole。
  默认值：True

• TELNETCONSOLE_PORT
  它定义了Telnet控制台端口。
  默认值：[6023，6073]

• TEMPLATES_DIR
  它是包含可以在创建新的项目中使用的模板目录。
  默认值： templates scrapy模块内部目录

• URLLENGTH_LIMIT
  它定义了将被允许抓取的网址的长度为URL的最大极限。
  默认值：2083

• USER_AGENT
  它定义了在抓取网站所使用的用户代理。
  默认值： “Scrapy / VERSION“

• setting模板文件

# -*- coding: utf-8 -*-
# Scrapy settings for companyNews project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     http://doc.scrapy.org/en/latest/topics/settings.html
#     http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
#     http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
from DBSetting import host_redis,port_redis,db_redis,password_redis


#它是一种可以用于构建用户代理机器人的名称,默认值:'scrapybot'
BOT_NAME = 'companyNews'
# 它是一种含有蜘蛛其中Scrapy将寻找模块列表,默认值： []
SPIDER_MODULES = ['companyNews.spiders']
# 默认: '',使用 genspider 命令创建新spider的模块。
NEWSPIDER_MODULE = 'companyNews.spiders'
#-----------------------日志文件配置-----------------------------------
# 默认: True,是否启用logging。
# LOG_ENABLED=True
# 默认: 'utf-8',logging使用的编码。
# LOG_ENCODING='utf-8'
# 它是利用它的日志信息可以被格式化的字符串。默认值：'%(asctime)s [%(name)s] %(levelname)s: %(message)s'
# LOG_FORMAT='%(asctime)s [%(name)s] %(levelname)s: %(message)s'
# 它是利用它的日期/时间可以格式化字符串。默认值： '%Y-%m-%d %H:%M:%S'
# LOG_DATEFORMAT='%Y-%m-%d %H:%M:%S'
#日志文件名
#LOG_FILE = "dg.log"
#日志文件级别,默认值：“DEBUG”,log的最低级别。可选的级别有: CRITICAL、 ERROR、WARNING、INFO、DEBUG 。
LOG_LEVEL = 'WARNING'
# -----------------------------robots协议---------------------------------------------
# Obey robots.txt rules
# 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。
# ROBOTSTXT_OBEY = True

# 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=20
# 这是响应的下载器下载的最大尺寸，默认值：1073741824 (1024MB)
# DOWNLOAD_MAXSIZE=1073741824
# 它定义为响应下载警告的大小，默认值：33554432 (32MB)
# DOWNLOAD_WARNSIZE=33554432
# ------------------------全局并发数的一些配置:-------------------------------
# Configure maximum concurrent requests performed by Scrapy (default: 16)
# 默认 Request 并发数：16
# CONCURRENT_REQUESTS = 32
# 默认 Item 并发数：100
# CONCURRENT_ITEMS = 100
# The download delay setting will honor only one of:
# 默认每个域名的并发数：8
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
# 每个IP的最大并发数：0表示忽略
# CONCURRENT_REQUESTS_PER_IP = 0

# Configure a delay for requests for the same website (default: 0)
# See http://scrapy.readthedocs.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY 会影响 CONCURRENT_REQUESTS，不能使并发显现出来,设置下载延迟
#DOWNLOAD_DELAY = 3

# Disable cookies (enabled by default)
#禁用cookies,有些站点会从cookies中判断是否为爬虫
# COOKIES_ENABLED = True
# COOKIES_DEBUG = True

# Crawl responsibly by identifying yourself (and your website) on the user-agent
# 它定义了在抓取网站所使用的用户代理，默认值：“Scrapy / VERSION“
#USER_AGENT = ' (+http://www.yourdomain.com)'

# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
}
# Enable or disable spider middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
SPIDER_MIDDLEWARES = {
    'companyNews.middlewares.UserAgentmiddleware': 401,
    'companyNews.middlewares.ProxyMiddleware':426,
}
# Enable or disable downloader middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
    'companyNews.middlewares.UserAgentmiddleware': 400,
    'companyNews.middlewares.ProxyMiddleware':425,
    # 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware':423,
     # 'companyNews.middlewares.CookieMiddleware': 700,
}
MYEXT_ENABLED=True      # 开启扩展
IDLE_NUMBER=12           # 配置空闲持续时间单位为 360个 ，一个时间单位为5s
# Enable or disable extensions
# See http://scrapy.readthedocs.org/en/latest/topics/extensions.html
# 在 EXTENSIONS 配置，激活扩展
EXTENSIONS = {
    # 'scrapy.extensions.telnet.TelnetConsole': None,
    'companyNews.extensions.RedisSpiderSmartIdleClosedExensions': 500,
}
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
# 注意:自定义pipeline的优先级需高于Redispipeline,因为RedisPipeline不会返回item,
# 所以如果RedisPipeline优先级高于自定义pipeline,那么自定义pipeline无法获取到item
ITEM_PIPELINES = {
     #将清除的项目在redis进行处理，# 将RedisPipeline注册到pipeline组件中(这样才能将数据存入Redis)
    # 'scrapy_redis.pipelines.RedisPipeline': 400,
    'companyNews.pipelines.companyNewsPipeline': 300,# 自定义pipeline视情况选择性注册(可选)
}
# Enable and configure HTTP caching (disabled by default)
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
# ----------------scrapy默认已经自带了缓存，配置如下-----------------
# 打开缓存
#HTTPCACHE_ENABLED = True
# 设置缓存过期时间（单位：秒）
#HTTPCACHE_EXPIRATION_SECS = 0
# 缓存路径(默认为：.scrapy/httpcache)
#HTTPCACHE_DIR = 'httpcache'
# 忽略的状态码
#HTTPCACHE_IGNORE_HTTP_CODES = []
# HTTPERROR_ALLOWED_CODES = [302, 301]
# 缓存模式(文件缓存)
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

#-----------------Scrapy-Redis分布式爬虫相关设置如下--------------------------
# Enables scheduling storing requests queue in redis.
#启用Redis调度存储请求队列，使用Scrapy-Redis的调度器,不再使用scrapy的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"

# Ensure all spiders share same duplicates filter through redis.
#确保所有的爬虫通过Redis去重，使用Scrapy-Redis的去重组件,不再使用scrapy的去重组件
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

# 默认请求序列化使用的是pickle 但是我们可以更改为其他类似的。PS：这玩意儿2.X的可以用。3.X的不能用
# SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"

# 使用优先级调度请求队列 （默认使用），
# 使用Scrapy-Redis的从请求集合中取出请求的方式,三种方式择其一即可:
# 分别按(1)请求的优先级/(2)队列FIFO/(先进先出)(3)栈FILO 取出请求（先进后出）
# SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'
# 可选用的其它队列
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.FifoQueue'
# SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.LifoQueue'

# Don't cleanup redis queues, allows to pause/resume crawls.
#不清除Redis队列、这样可以暂停/恢复 爬取，
# 允许暂停,redis请求记录不会丢失(重启爬虫不会重头爬取已爬过的页面)
#SCHEDULER_PERSIST = True

#----------------------redis的地址配置-------------------------------------
# Specify the full Redis URL for connecting (optional).
# If set, this takes precedence over the REDIS_HOST and REDIS_PORT settings.
# 指定用于连接redis的URL（可选）
# 如果设置此项，则此项优先级高于设置的REDIS_HOST 和 REDIS_PORT
# REDIS_URL = 'redis://root:密码@主机ＩＰ:端口'
# REDIS_URL = 'redis://root:123456@192.168.8.30:6379'
REDIS_URL = 'redis://root:%s@%s:%s'%(password_redis,host_redis,port_redis)
# 自定义的redis参数（连接超时之类的）
REDIS_PARAMS={'db': db_redis}
# Specify the host and port to use when connecting to Redis (optional).
# 指定连接到redis时使用的端口和地址（可选）
#REDIS_HOST = '127.0.0.1'
#REDIS_PORT = 6379
#REDIS_PASS = '19940225'

#-----------------------------------------暂时用不到-------------------------------------------------------
# 它定义了将被允许抓取的网址的长度为URL的最大极限，默认值：2083
# URLLENGTH_LIMIT=2083
# 爬取网站最大允许的深度(depth)值,默认值0。如果为0，则没有限制
# DEPTH_LIMIT = 3
# 整数值。用于根据深度调整request优先级。如果为0，则不根据深度进行优先级调整。
# DEPTH_PRIORITY=3

# 最大空闲时间防止分布式爬虫因为等待而关闭
# 这只有当上面设置的队列类是SpiderQueue或SpiderStack时才有效
# 并且当您的蜘蛛首次启动时，也可能会阻止同一时间启动（由于队列为空）
# SCHEDULER_IDLE_BEFORE_CLOSE = 10

# 序列化项目管道作为redis Key存储
# REDIS_ITEMS_KEY = '%(spider)s:items'

# 默认使用ScrapyJSONEncoder进行项目序列化
# You can use any importable path to a callable object.
# REDIS_ITEMS_SERIALIZER = 'json.dumps'

# 自定义redis客户端类
# REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient'

# 如果为True，则使用redis的'spop'进行操作。
# 如果需要避免起始网址列表出现重复，这个选项非常有用。开启此选项urls必须通过sadd添加，否则会出现类型错误。
# REDIS_START_URLS_AS_SET = False

# RedisSpider和RedisCrawlSpider默认 start_usls 键
# REDIS_START_URLS_KEY = '%(name)s:start_urls'

# 设置redis使用utf-8之外的编码
# REDIS_ENCODING = 'latin1'

# Disable Telnet Console (enabled by default)
# 它定义是否启用telnetconsole,默认值：True
#TELNETCONSOLE_ENABLED = False

# Enable and configure the AutoThrottle extension (disabled by default)
# See http://doc.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
# 开始下载时限速并延迟时间
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#高并发请求时最大延迟时间
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

#禁止重定向
#除非您对跟进重定向感兴趣，否则请考虑关闭重定向。 当进行通用爬取时，一般的做法是保存重定向的地址，并在之后的爬取进行解析。
# 这保证了每批爬取的request数目在一定的数量， 否则重定向循环可能会导致爬虫在某个站点耗费过多资源。
# REDIRECT_ENABLED = False

启用调试工具

• 命令行调试

scrapy shell url 查看网页，不过这种方式可能对于要请求头的网页不行，对于一般的网页还是可以的
scrapy view shell 用来查看动态加载的网页，如果查看的网页用了动态加载，那么用这个命令行打开的网页就是不完整的，肯定缺少了什么

• 编辑器中的调试

在页面的任意位置添加如下代码

from scrapy.shell import inspect_response
def paser(self,response):
    inspect_response(response,self)     #当程序运行到这里就会跳出终端，并且在终端出现调试命令，当然这个可以随便写在哪里

暂停和恢复爬虫

初学者最头疼的事情就是没有处理好异常，当爬虫爬到一半的时候突然因为错误而中断了，但是这时又不能从中断的地方开始继续爬，顿时感觉心里日了狗，但是这里有一个方法可以暂时的存储你爬的状态，当爬虫中断的时候继续打开后依然可以从中断的地方爬，不过虽说持久化可以有效的处理，但是要注意的是当使用cookie临时的模拟登录状态的时候要注意cookie的有效期

只需要在setting.py中JOB_DIR=file_name 其中填的是你的文件目录，注意这里的目录不允许共享，只能存储单独的一个spdire的运行状态，如果你不想在从中断的地方开始运行，只需要将这个文件夹删除即可

当然还有其他的放法：scrapy crawl somespider -s JOBDIR=crawls/somespider-1，这个是在终端启动爬虫的时候调用的，可以通过ctr+c中断，恢复还是输入上面的命令

参考：https://blog.csdn.net/henry620/article/details/55505662
https://www.cnblogs.com/lambs/p/9134566.html
https://www.cnblogs.com/zhaof/p/7198407.html
https://blog.csdn.net/qq_39268193/article/details/80572328
https://segmentfault.com/a/1190000009321902