资讯专栏INFORMATION COLUMN

scrapy 学习之路上的那些坑

xiaodao / 849人阅读

摘要:前言本文记录自己在学习当中遇到的各种大小问题,持续更新。错误分析本身是一个网络引擎框架,的运行依赖于。在打开新建的项目后,报错显示。错误分析的默认依赖项当中没有,或者说默认查找的路径中找不到。

前言

本文记录自己在学习scrapy当中遇到的各种大小问题,持续更新。

环境简介:
语言版本 爬虫框架 IDE 系统
python3.5 scrapy1.4.0 pycharm win10 x64
scrapy安装失败

报错显示缺少Twisted。
错误分析:Twisted本身是一个网络引擎框架,scrapy的运行依赖于Twisted。
解决办法:通过 http://www.lfd.uci.edu/~gohlk...,在通过pip install xxxpath(xxxpath 指代whl下载到本机的路径)。

No module named scrapy

在pycharm打开scrapy新建的项目后,import scrapy 报错显示No module named scrapy。
错误分析:pycharm的默认依赖项当中没有scrapy,或者说默认查找的路径中找不到scrapy。
解决办法:通过file=>Default Settings=>Project Interpreter 重新关联python,pycharm的local中加入本地的python.exe

XPaths谷歌插件使用

插件下载地址:
https://chrome.google.com/web...
安装完毕xpath之后,需要重新加载页面,方可使用。

scrapy 生成json文件中文是Unicode字符

错误分析:scrapy在做json序列化的时候默认使用的是ensure_ascii 编码。
解决办法:在设置当中(settings.py),加入FEED_EXPORT_ENCODING = "utf-8"

解决爬取数据频繁时,被禁止

错误分析:网站本身有反爬虫,会针对频繁快速拉去的ip和用户进行封锁。
解决办法:设置动态的用会代理和动态的ip代理。
在中间件文件middlewares.py中,增加动态IP代理类和动态用户代理类。

import random

PROXIES = [
    {"ip_port": "106.39.179.244:80"},
    {"ip_port": "65.52.223.99:80"},
    {"ip_port": "1.52.248.207:3128"},
    {"ip_port": "45.77.198.207:3128"},
    {"ip_port": "177.125.119.16:8080"},
    {"ip_port": "174.138.65.233:3128"}
]


class RandomUserAgent(object):
    """Randomly rotate user agents based on a list of predefined ones"""

    def __init__(self, agents):
        self.agents = agents

    @classmethod
    def from_crawler(cls, crawler):
        return cls(crawler.settings.getlist("USER_AGENTS"))

    def process_request(self, request, spider):
        # print "**************************" + random.choice(self.agents)
        request.headers.setdefault("User-Agent", random.choice(self.agents))


class ProxyMiddleware(object):
    def process_request(self, request, spider):
        proxy = random.choice(PROXIES)
        print("**************ProxyMiddleware no pass************" + proxy["ip_port"])
        request.meta["proxy"] = "http://%s" % proxy["ip_port"]

这组动态IP需要注意的是,隔一段时间可能会失效,需要重新获取IP。
在配置文件settings.py中增加

    DOWNLOADER_MIDDLEWARES = {
        "tutorial.middlewares.RandomUserAgent": 1,
        "scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware": 110,
        "tutorial.middlewares.ProxyMiddleware": 100
    }
    USER_AGENTS = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
    "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
]

文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/41101.html

相关文章

  • scrapy学习之路2(图片下载与下载的路径获取)

    图片下载和拿到下载后的路径 1 items.py import scrapy class InfoItem(scrapy.Item): url = scrapy.Field() url_object_id = scrapy.Field() small_image = scrapy.Field() small_image_path = scrapy.Field() big_image = scrapy.Field() big_image_path = scrapy.Field() ...

    WelliJhon 评论0 收藏0
  • scrapy学习之路1(简单的例子)

    scrapy的安装 环境:python3.6 1 pip install -i https://pypi.douban.com/simple/ scrapy 2 scrapy startproject ArticleSpider main.py是后面创建用来运行scrapy的 3 cd ArticleSpider scrapy genspider jobbole blog.jobbole.com ------- ---------------- ...

    guqiu 评论0 收藏0
  • scrapy学习之路5(selenium集成到scrapy下(crawspider未测试))

    1:基本 Middlewares.py(downloader) spider/xxx.py settings.py 2:优化 为了不让chrome每次启动,添加它到Middleware定义类的初始方法中启动 Middlewares.py(downloader) 3:优化(浏览器的自动开启与关闭) 在spider/xxx.py中 Middlewares.py(downloader) 加入信号链di...

    adie 评论0 收藏0
  • 整理了一周的Python资料,包含各阶段所需网站、项目,收藏了慢慢来

    这周应该有不少学校已经开学了,那么同学们都该动起来了,把家里面的那些懒习惯给扔掉了可以。 不知怎么的,最近不少关注我的读者都开始私信我怎么学好python?零基础转行是不是合适,还有希望吗?今年30了,还能不...

    fyber 评论0 收藏0
  • 整理了一周的Python资料,包含各阶段所需网站、项目,收藏了慢慢来

    这周应该有不少学校已经开学了,那么同学们都该动起来了,把家里面的那些懒习惯给扔掉了可以。 不知怎么的,最近不少关注我的读者都开始私信我怎么学好python?零基础转行是不是合适,还有希望吗?今年30了,还能不...

    liuhh 评论0 收藏0

发表评论

0条评论

xiaodao

|高级讲师

TA的文章

阅读更多
最新活动
阅读需要支付1元查看
<