发布于 2015-09-04 06:53:24 | 143 次阅读 | 评论: 0 | 来源: 网络整理
BeautifulSoup 及 lxml 是HTML和XML的分析库。Scrapy则是 编写爬虫，爬取网页并获取数据的应用框架(application framework)。
Scrapy提供了内置的机制来提取数据(叫做 选择器(selectors))。 但如果您觉得使用更为方便，也可以使用 BeautifulSoup (或 lxml)。 总之，它们仅仅是分析库，可以在任何Python代码中被导入及使用。
换句话说，拿Scrapy与 BeautifulSoup (或 lxml) 比较就好像是拿 jinja2 与 Django 相比。
Scrapy仅仅支持Python 2.7。 Python2.6的支持从Scrapy 0.20开始被废弃了。
也许吧，不过我们不喜欢这个词。我们认为 Django 是一个很好的开源项目，同时也是 一个很好的参考对象，所以我们把其作为Scrapy的启发对象。
我 们坚信，如果有些事情已经做得很好了，那就没必要再重复制造轮子。这个想法，作为 开源项目及免费软件的基石之一，不仅仅针对软件，也包括文档，过程，政策等等。 所以，与其自行解决每个问题，我们选择从其他已经很好地解决问题的项目中复制想法(copy idea) ，并把注意力放在真正需要解决的问题上。
如果Scrapy能启发其他的项目，我们将为此而自豪。欢迎来抄(steal)我们！
是的。(从Scrapy 0.8开始)通过HTTP代理下载中间件对HTTP代理提供了支持。参考 HttpProxyMiddleware.
这是个Twisted bug ，您需要安装 pywin32 。
默认情况下，Scrapy使用 LIFO 队列来存储等待的请求。简单的说，就是 深度优先顺序 。深度优先对大多数情况下是更方便的。如果您想以 广度优先顺序 进行爬取，你可以设置以下的设定:
DEPTH_PRIORITY = 1 SCHEDULER_DISK_QUEUE = 'scrapy.squeue.PickleFifoDiskQueue' SCHEDULER_MEMORY_QUEUE = 'scrapy.squeue.FifoMemoryQueue'
参考上一个问题
可以。参考 HttpAuthMiddleware.
尝试通过覆盖 DEFAULT_REQUEST_HEADERS 设置来修改默认的 Accept-Language 请求头。
是的。您可以使用 runspider 命令。例如，如果您有个 spider写在 my_spider.py 文件中，您可以运行:
scrapy runspider my_spider.py
详情请参考 runspider 命令。
这些消息(以 DEBUG 所记录)并不意味着有问题，所以你可以不修复它们。
这些消息由Offsite Spider中间件(Middleware)所抛出。 该(默认启用的)中间件筛选出了不属于当前spider的站点请求。
更多详情请参见: OffsiteMiddleware.
这取决于您的输出有多大。参考 JsonItemExporter 文档中的 这个警告
有些信号支持从处理器中返回引用，有些不行。参考 内置信号参考手册(Built-in signals reference) 来了解详情。
999是雅虎用来控制请求量所定义的返回值。 试着减慢爬取速度，将spider的下载延迟改为 2 或更高:
class MySpider(CrawlSpider):
name = 'myspider'
download_delay = 2
# [ ... rest of the spider code ... ]
或在 DOWNLOAD_DELAY 中设置项目的全局下载延迟。
pdb.set_trace() 来调试么？¶可以，但你也可以使用Scrapy终端。这能让你快速分析(甚至修改) spider处理返回的返回(response)。通常来说，比老旧的 pdb.set_trace() 有用多了。
更多详情请参考 在spider中启动shell来查看response.
dump到JSON文件:
scrapy crawl myspider -o items.json
dump到CSV文件:
scrapy crawl myspider -o items.csv
dump到XML文件:
scrapy crawl myspider -o items.xml
更多详情请参考 Feed exports
__VIEWSTATE 参数是什么？¶__VIEWSTATE 参数存在于ASP.NET/VB.NET建立的站点中。关于这个参数的作用请参考 这篇文章 。这里有一个爬取这种站点的 样例爬虫 。
使用XPath选择器来分析大数据源可能会有问题。选择器需要在内存中对数据建立完整的 DOM树，这过程速度很慢且消耗大量内存。
为了避免一次性读取整个数据源，您可以使用 scrapy.utils.iterators 中的 xmliter 及 csviter 方法。 实际上，这也是feed spider(参考 Spiders)中的处理方法。
启用 COOKIES_DEBUG 选项。
在回调函数中raise CloseSpider 异常。 更多详情请参见: CloseSpider 。
参考 避免被禁止(ban).
spider参数 及 设置(settings) 都可以用来配置您的spider。 没有什么强制的规则来限定要使用哪个，但设置(settings)更适合那些一旦设置就不怎么会修改的参数， 而spider参数则意味着修改更为频繁，在每次spider运行都有修改，甚至是spider运行所必须的元素 (例如，设置spider的起始url)。
这里以例子来说明这个问题。假设您有一个spider需要登录某个网站来 爬取数据，并且仅仅想爬取特定网站的特定部分(每次都不一定相同)。 在这个情况下，认证的信息将写在设置中，而爬取的特定部分的url将是spider参数。
这是由于Scrapy修改，去掉了单例模式(singletons)所引起的。 这个错误一般是由从 scrapy.project 导入 crawler 的模块引起的(扩展，中间件，pipeline或spider)。 例如:
from scrapy.project import crawler
class SomeExtension(object):
def __init__(self):
self.crawler = crawler
# ...
这种访问crawler对象的方式已经被舍弃了，新的代码应该使用 from_crawler 类方法来移植，例如:
class SomeExtension(object):
@classmethod
def from_crawler(cls, crawler):
o = cls()
o.crawler = crawler
return o
Scrapy终端工具(command line tool)针对旧的导入机制提供了一些支持(给出了废弃警告)， 但如果您以不同方式使用Scrapy(例如，作为类库)，该机制可能会失效。