Python Scrapy 自动爬虫注意细节(1)

一、首次爬取模拟浏览器

在爬虫文件中,添加start_request函数。如:

def start_requests(self):
  ua = {"User-Agent": 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.2050.400 QQBrowser/9.5.10169.400'}
  yield Request("http://www.baidu.com", headers=ua)

 

需要导入:from scrapy.http import Request

二、自动爬取模拟浏览器

打开settings.py,为USER_AGENT赋值,如:USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.2050.400 QQBrowser/9.5.10169.400'

如抓取不到目标网站数据,很有可能是这个地方协议没有做配置。

 

三、注释原起始页

如使用了start_requests方法,需要注释:start_urls = ['http://www.baidu.com/']

 

四、目标网站的爬虫协议

ROBOTSTXT_OBEY = False

 

五、数据处理管道启用

Settings配置文件,对ITEM_PIPELINES做配置,一般是:文件夹名.文件名.管道名,

 


 

posted @   咸鱼翻身  阅读(1271)  评论(0编辑  收藏  举报
编辑推荐:
· Linux系列:如何用 C#调用 C方法造成内存泄露
· AI与.NET技术实操系列(二):开始使用ML.NET
· 记一次.NET内存居高不下排查解决与启示
· 探究高空视频全景AR技术的实现原理
· 理解Rust引用及其生命周期标识(上)
阅读排行:
· 物流快递公司核心技术能力-地址解析分单基础技术分享
· .NET 10首个预览版发布:重大改进与新特性概览!
· 单线程的Redis速度为什么快?
· 展开说说关于C#中ORM框架的用法!
· Pantheons:用 TypeScript 打造主流大模型对话的一站式集成库
点击右上角即可分享
微信分享提示