scrapy download delay, CONCURRENT_REQUESTS

设置delay有起码两个好处， 一个是对被爬对象表示礼貌， 另一个是爬的太快，很多服务器会封ip，或限制访问。

效果：每x秒左右来一个request

先建立一个项目来找CONCURRENT_REQUESTS与DOWNLOAD_DELAY的联系

大致给出粗略代码：

jianshuspider.py：

import scrapy
from JianshuSpider_author_1.items

import JianshuspiderAuthor1Item

from scrapy.selector
import Selector

class JianshuSpider(scrapy.Spider):

name ="jianshu"

def start_requests(self):

urls = ['http://www.jianshu.com/users/958f740aed52/followers']

for url
in urls:

yield scrapy.Request(
url = url,
callback=
self.parse_author)

def parse_author(

self,

response):
item = JianshuspiderAuthor1Item()

selector = Selector(response)

fans_href = selector.xpath("//div[@class='info']/a/@href").extract()

for fan_href
in fans_href:

fan_href ='http://www.jianshu.com/users/'+ fan_href.split('/')[-1] +'/followers'

# fan_href = 'http://www.google.com.hk/'+ fan_href.split('/')[-1] + '/followers'#需要timeout时调用

yield scrapy.Request(fan_href,
callback=self.parse_author)

item['author'] = selector.xpath("//div[@class='title']/a/text()").extract_first()

yield item

requestlimit.py(downlomiddleware):

class RequestLimitMiddleware(object):

count =0

def process_request(self,request,spider):

self.count +=1

print(self.count)

以上两个文件的代码为核心代码。

测试结果：

一：

settings.py

CONCURRENT_REQUESTS =8

DOWNLOAD_DELAY =0


并且jianshuspider.py中关闭递归简书链接，打开Google链接语句

效果：8个request同时来，同时timeout。8个request又来，又timeout。如此循环。

 

二：

settings.py

CONCURRENT_REQUESTS =1

DOWNLOAD_DELAY =5

并且jianshuspider.py中打开递归简书链接，关闭Google链接语句

效果：每5秒左右来一个request

三：

settings.py

CONCURRENT_REQUESTS =2
DOWNLOAD_DELAY =5

并且jianshuspider.py中打开递归简书链接，关闭Google链接语句

效果：一开始来2个request（A，B），但5秒后只处理了一个request(A)，新来一个request(C),5秒后又处理一个request（B）,排队一个request（D）。如此循环。

总结：

DOWNLOAD_DELAY 会影响 CONCURRENT_REQUESTS，不能使并发显现出来。

思考：

当有CONCURRENT_REQUESTS，没有DOWNLOAD_DELAY 时，服务器会在同一时间收到大量的请求。

当有CONCURRENT_REQUESTS，有DOWNLOAD_DELAY 时，服务器不会在同一时间收到大量的请求。