scrapy知识点

1.持久化存储
        - 编码流程：
            1.数据解析
            2.封装item类
            3.将解析的数据存储到实例化好的item对象
            4.提交item
            5.管道接收item而后对item进行io操做
            6.开启管道
         - 注意事项：
            - 将同一份数据存储到不一样的平台中：
                - 管道文件中一个管道类负责将item存储到某一个平台中
                - 配置文件中设定管道类的优先级
                - process_item方法中return item的操做将item传递给下一个即将被执行的管道类
    2.全站数据爬取
        - 手动请求的发送：
            - 设定一个通用的url模板
            - 手动i请求的操做写在哪里：parse方法
            - yield scrapy.Request(url,callback)
    3.五大核心组件

猛击它

    4.post请求
        - start_requests(self)
        - post请求的手动发送：yield scrapy.FormRequest(url,callback,formdata)
        - COOKIES_ENNABLE = False
    5.日志等级和请求传参
        - LOG_LEVEL = 'ERROR'
        - LOG_FILE = 'path'
        - 请求传参的应用场景：
            - 爬取且解析的数据没有在同一张页面
            - 在请求方法中使用meta（字典）参数，该字典会传递给回调函数
                - 回调函数接收meta：response.meta['key']

- 下载中间件:
    - 做用：批量拦截请求和响应
    - 拦截请求：
        1.篡改请求头信息（User-Agent）：
        2.设置相关请求对象的代理ip（process_exception中）
- selenium如何做用在scrapy中：
    - 实例化一个浏览器对象（一次）：spider的构造方法中

 

  - 在scrapy中如何给全部的请求对象尽量多的设置不同的请求载体身份标识
        - UA池，process_request(request)
    - 在scrapy中如何给发生异常的请求设置代理ip
        - ip池，process_exception(request,response,spider):request.meta['proxy'] = 'http://ip:port'
            - 将异常的请求拦截到以后，经过代理ip相关的操做，就能够将改异常的请求变成非异常的请求，而后必须从新
                对该请求进行从新的请求发送：return request
    - 简述下载中间件的做用及其最重要三个方法的做用
        - process_request:拦截全部非异常的请求
        - process_response：拦截全部的响应对象
        - process_exception：拦截发生异常的请求对象，须要对异常的请求对象进行相关处理，让其变成
            正常的请求对象，而后经过return request 对该请求进行从新发送
    - 简述scrapy中何时须要使用selenium及其scrapy应用selenium的编码流程
        - 实例化浏览器对象（一次）：spider的init方法
        - 须要编写浏览器自动化的操做（中间件的process_response）
        - 关闭浏览器（spider的closed方法中进行关闭操做）

- 图片懒加载

   这是一种前端技术，缓解服务器压力，给用户更好的体验，他只对屏幕内的图片进行加载，其余的图片使用伪属性隐藏起来，当检测到屏幕要显示时，改变为原生属性，因此能够经过伪属性名获取图片地址。

- 如何提高scrapy爬取数据的效率：

默认scrapy开启的并发线程为32个，能够适当进行增长。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。

下降日志级别：
    在运行scrapy时，会有大量日志信息的输出，为了减小CPU的使用率。能够设置log输出信息为INFO或者ERROR便可。在配置文件中编写：LOG_LEVEL = ‘INFO’

禁止cookie：
    若是不是真的须要cookie，则在scrapy爬取数据时能够禁止cookie从而减小CPU的使用率，提高爬取效率。在配置文件中编写：COOKIES_ENABLED = False

禁止重试：
    对失败的HTTP进行从新请求（重试）会减慢爬取速度，所以能够禁止重试。在配置文件中编写：RETRY_ENABLED = False

减小下载超时：
    若是对一个很是慢的连接进行爬取，减小下载超时能够能让卡住的连接快速被放弃，从而提高效率。在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s

- crawlSpider
crawlSpider全站数据爬取
    - crawlSpider就是spider一个子类（派生）
    - crawlSpider具备的机制：
        - 链接提取器
        - 规则解析器
    - 建立爬虫文件： scrapy  genspider  -t  crawl  spiderName  www.xxx.com

               --此指令对比之前的指令多了 "-t crawl"，表示建立的爬虫文件是基于CrawlSpider这个类的，而再也不是Spider这个基类。
    - 深度爬取：

增量式爬虫：

    - 概念：用来《检测》网站数据更新的状况。只会爬取网站中更新出来的新数据。     - 核心：去重