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，

 

---