前言
代码未动,配置先行。本篇文章主要讲述一下Scrapy中的配置文件settings.py的参数含义,以及如何去获取一个爬虫程序的运行性能指标。
这篇文章无聊的一匹,没有代码,都是配置化的东西,但是呢不学还不行,属于Scrapy的枢纽,很关键。所以还请各位看官老爷耐得住这一章的寂寞。
settings.py
在我们创建一个Scrapy项目的时候,就会在项目下生成四个py文件,其中就有一个settings.py。其中大大小小配置也是有大几十个,这里只讲一些比较常见的,其他的还请移步官方文档。
官文配置参数说明url:
常见参数
下面也罗列了小几十个配置,大部分都其实使用默认值即可,最值得我们关注的,就是下面几个:
- DOWNLOAD_DELAY
- CONCURRENT_REQUESTS
- CONCURRENT_REQUESTS_PER_DOMAIN
- CONCURRENT_REQUESTS_PER_IP
- SPIDER_MIDDLEWARES
- DOWNLOADER_MIDDLEWARES
- ITEM_PIPELINES
那么,为什么说Settings是Scrapy的枢纽?
还记得我上篇文章画的架构图吗?还记得之前说过Scrapy的四大模块吗?每个模块在项目初始化时都是独立的,各个模块只有在Settings配置之后,请求、响应、数据才会在模块间流转。这一部分对应上面提到的配置5、6、7。
配置具体说明,详看下文:
# Scrapy settings for ScrapyDemo project # 自动生成的配置,无需关注,不用修改 BOT_NAME = 'ScrapyDemo' SPIDER_MODULES = ['ScrapyDemo.spiders'] NEWSPIDER_MODULE = 'ScrapyDemo.spiders' # 设置UA,但不常用,一般都是在MiddleWare中添加 USER_AGENT = 'ScrapyDemo (+http://www.yourdomain.com)' # 遵循robots.txt中的爬虫规则,很多人喜欢False,当然我也喜欢.... ROBOTSTXT_OBEY = True # 对网站并发请求总数,默认16 CONCURRENT_REQUESTS = 32 # 相同网站两个请求之间的间隔时间,默认是0s。相当于time.sleep() DOWNLOAD_DELAY = 3 # 下面两个配置二选一,但其值不能大于CONCURRENT_REQUESTS,默认启用PER_DOMAIN # 对网站每个域名的最大并发请求,默认8 CONCURRENT_REQUESTS_PER_DOMAIN = 16 # 默认0,对网站每个IP的最大并发请求,会覆盖上面PER_DOMAIN配置, # 同时DOWNLOAD_DELAY也成了相同IP两个请求间的间隔了 CONCURRENT_REQUESTS_PER_IP = 16 # 禁用cookie,默认是True,启用 COOKIES_ENABLED = False # 请求头设置,这里基本上不用 DEFAULT_REQUEST_HEADERS = { # 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', # 'Accept-Language': 'en', #} # 配置启用Spider MiddleWares,Key是class,Value是优先级 SPIDER_MIDDLEWARES = { 'ScrapyDemo.middlewares.ScrapydemoSpiderMiddleware': 543, } # 配置启用Downloader MiddleWares DOWNLOADER_MIDDLEWARES = { 'ScrapyDemo.middlewares.ScrapydemoDownloaderMiddleware': 543, } # 配置并启用扩展,主要是一些状态监控 EXTENSIONS = { 'scrapy.extensions.telnet.TelnetConsole': None, } # 配置启用Pipeline用来持久化数据 ITEM_PIPELINES = { 'ScrapyDemo.pipelines.ScrapydemoPipeline': 300, } # 禁止控制台使用telnet连接scrapy获取状态,默认是启用。我们使用默认值即可 TELNETCONSOLE_ENABLED = False # Telnet终端使用的端口范围。默认: [6023, 6073],如果设置为 None 或 0 , 则使用动态分配的端口 # TELNETCONSOLE_PORT # telnet账号,默认:scrapy TELNETCONSOLE_USERNAME = None # telnet密码:默认会自动生成一个密码 TELNETCONSOLE_PASSWORD # Telnet终端监听的接口(interface)。默认: '127.0.0.1' TELNETCONSOLE_HOST = '127.0.0.1' # AutoThrottle是限速节流算法 # 让爬虫程序自适应download_delay和concurrent并发 AUTOTHROTTLE_ENABLED = True # 爬虫程序启动时,开始对网站发起请求的延迟 AUTOTHROTTLE_START_DELAY = 5 # 请求到响应的最大允许的延迟时间,必须大于download_delay AUTOTHROTTLE_MAX_DELAY = 60 # 并行发送到每个远程服务器的平均请求数,小于CONCURRENT_REQUESTS_PER_DOMAIN和CONCURRENT_REQUESTS_PER_IP AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0 # 为每个响应启用显示限制统计信息 AUTOTHROTTLE_DEBUG = False # HttpCache主要是将每次的请求和响应缓存到本地,可以离线进行处理 # 配置启用HTTP Cache,默认不启用 HTTPCACHE_ENABLED = True # 缓存的过期时间,0为永不过期 HTTPCACHE_EXPIRATION_SECS = 0 # 缓存目录名称 HTTPCACHE_DIR = 'httpcache' # 设置不需要缓存的状态码请求 HTTPCACHE_IGNORE_HTTP_CODES = [] # 此类将缓存保存到本地文件系统,还可以使用其他类保存到数据库 HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
像上面的Telnet配置使用默认即可,一般AutoThrottle限速算法和Http Cache用的也少,当然还有一些log日志、retry请求重试功能,这里就不一一列举了。
局部配置定义
settings.py中的配置,属于全局配置,是项目中所有爬虫共享的。改了一个,其他的爬虫也会受影响。
所以很多时候我们都会在爬虫程序内,定义字典类型的custom_settings成员变量,来实现局部配置。
custom_settings = { 'DOWNLOAD_DELAY': 10 }
这样DOWNLOAD_DELAY为10这个配置,只在当前程序中生效。
那这局部配置在什么时候用的多?
我用的最多的地方,就是使用Scrapy-Splash插件的时候,因为要发起的是SplashRequest,而不是之前的Request,所以要进行单独的配置。为了不改变全局配置、影响其他爬虫,通常在程序内定义这些配置。
这个后面Scrapy-Splash插件会讲。
启动时配置
我们在启动爬虫时,可以使用-s来指定配置。
scrapy crawl [spiderName] -s DOWNLOAD_DELAY=10
程序中获取配置
我们通常也将数据库的用户、密码、ip等信息配置在settings中,然后通过crawler对象来获取。该对象提供对所有Scrapy核心组件的访问,可以debug看一下。
如图,可以通过crawler访问到settings配置、engine引擎、信号量signals、状态stat等。这里我们先只关注settings。
这里写一段代码,验证局部配置、启动时配置、以及配置三个功能。
import scrapy class DouLuoDaLuSpider(scrapy.Spider): name = 'DouLuoDaLu' allowed_domains = ['v.qq.com'] start_urls = ['https://v.qq.com/detail/m/m441e3rjq9kwpsc.html'] # 自定义配置 custom_settings = { 'DOWNLOAD_DELAY': 10 } def parse(self, response): # 获取配置 delay = self.crawler.settings.get('DOWNLOAD_DELAY') print(delay)
DOWNLOAD_DELAY在全局配置中我修改为3,如果没有在程序中定义custom_settings,则输出为3。
当我们定义custom_settings之后,启动程序,输出如下:
这里输出的就是10,是程序内的配置,覆盖了全局配置。当我们使用以下命令在启动爬虫时指定延迟为11。
scrapy crawl DouLuoDaLu -s DOWNLOAD_DELAY=11
则输出为11,覆盖了程序内变量。所以,我们也得出一个结论,同一配置的优先级为:
启动时配置 > 程序内配置 > 全局配置
引擎状态监控
关于引擎的定义:
Scrapy engine which controls the Scheduler, Downloader and Spiders
引擎状态是指现在调度器中有多少请求排队、下载器中有多少个请求正在下载、有多少响应在被处理等等,而监控是通过telnet来实现。
我的Scrapy中全局配置都是默认的,为了直观,我这里都使用局部配置。这里我发起100 * 10次请求,模拟一个一直运行的爬虫,代码如下:
import scrapy from scrapy import Request class DouLuoDaLuSpider(scrapy.Spider): name = 'DouLuoDaLu' allowed_domains = ['v.qq.com'] start_urls = ['https://v.qq.com/detail/m/m441e3rjq9kwpsc.html'] custom_settings = { 'DOWNLOAD_DELAY': 6, 'CONCURRENT_REQUESTS': 32, 'CONCURRENT_REQUESTS_PER_DOMAIN': 8, # 账号默认就是scrapy # 'TELNETCONSOLE_USERNAME' = 'scrapy' 'TELNETCONSOLE_PASSWORD': 'scrapy' } def start_requests(self): for i in range(0, 100): yield Request(url=self.start_urls[0], callback=self.parse, dont_filter=True) def parse(self, response): for i in range(0, 10): yield Request(url=self.start_urls[0], callback=self.parse, dont_filter=True)
启动爬虫之后,使用以下命令进入telnet。
# telnet终端监听端口配置为*TELNETCONSOLE_PORT*,默认为6023。 telnet localhost 6023
输入账号和密码:
进入交互页面,输入est(),输出引擎状态指标。
主要监控一下五个指标:
- engine.downloader.active:下载器中等待下载的请求,对应最大并发数。设置中为32,这里也是32,说明下载器已经满了,其他请求进不来了。
- engine.slot.scheduler.mqs:内存调度队列。进不去下载器的请求就只能在调度器中等待了,这里有28个请求在等待。
- engine.slot.scheduler.dqs:磁盘调度队列,可以设置,将请求放于磁盘之中。
- engine.scraper.slot.active:正在被处理的响应数量
- engine.scraper.slot.itemproc_size:pipeline处理的Item数量
同时也可以在交互命令中暂停、恢复、停止引擎。
engine.pause() engine.unpause() engine.stop()
当引擎被暂停或停止,下载器处理完队列中的请求之后,便处于空闲状态。
结语
本篇文章主要讲了一些基本的配置和Telnet引擎监控,主要目的还是为了将Scrapy架构掰扯清楚,后面用的时候才能了然于胸。
后面的文章接着写其他模块,下一篇讲MiddleWare中间件,下下篇就是Pipeline,下下下篇打算写一个完整的样例,将各个模块整合起来。期待下一次相遇。
公众号:入门到放弃之路,期待您的关注。