python全棧3 day96 02 抽屜示例：初識Scrapy并獲取新聞標題：主要講了scrapy的生成框架結構scrapy startproject day96、生成爬蟲模板(cd scrapy;scrapy genspider example)、單頁parse的xpath語法（//全局變量下的子孫，.//當前子孫變量，）。

python全棧3 day96 03 抽屜示例：遞歸獲取所有頁碼：分為兩部分，第一部分講了自己進行通過對url進行md5編碼，縮短url長度到固定長度，鏈接去重，第二部分主要講yield用于迭代以及depth_limit參數控制迭代深度。

python全棧3 day96 04 抽屜示例：基于pipeline實現標題和URL持久化。同樣分為了兩部分，定義了格式化的Item類。pipeline注意要注冊，不同的pipelines要根據spider.name進行判斷是否進行處理。

python全棧3 day97 01 Scrapy上節回顧。注意spider定義好域名限制allowed_domain = ["baidu.com"]，遞歸時候會先判斷域名。同時還要注意start_requests可以重寫覆蓋等。注意response.meta中也可以有depth，是爬蟲中保存變量很重要的東西。

python全棧3 day97 02 去除重復URL。第一部分講了select相關的內容，同時注意//a/[@id]代表有id的a,//a/@id代表取a下面的id,還有a[contains(@href,"www.baidu.com")]一些條件判斷。

第二部分講了鏈接去重RFPDupeFilter，其中著重講了cls的使用。from_settings是classmethod實例化時使用obj = ClassA.from_settings()進行實例化，返回結果為cls()與staticmethod不同，staticmethod不帶cls參數。去重是借用文件request.seen進行去重的，擴展可以使用redis，緩存等。

python全棧3 day97 03 pipeline補充。open_spider打開io鏈接、close_spider關閉io鏈接以及from_crawler創建對象并引入配置文件，__init__進行數據的初始化。最后一個pipeline注意raise DropItem()

python全棧3 day97 04 自動登錄抽屜并點贊。主要講了在Scrapy中使用Post方式進行登錄點贊的操作。這里的自動登錄抽屜網中沒有顯示驗證碼等。登錄時候用的是yield Request(method="Post")的post方法賬戶密碼放入了post請求體，同時點贊的功能也是post做的。

python全棧3 day97 05 scrapy框架擴展。這節課的信息量很大，包括了scrapy的Extension擴展、hook（鉤子）的概念、以及進一步的信號量signal的注冊問題。

Extensions Extensions在爬蟲啟動時候進行了初始化操作。通過與signals進行注冊，實現了hook。

Signals。signals與twisted的deffer搭配使用，因此經常會在源碼core的engine.py中見到這些信號量，包括spider_open，request_reached_downloader等。這幾個信號量同時也可以在Extension里使用，和deffer同理。都是hook方法，將自定義的方法或deffer傳到爬蟲中。

python全棧3 day97 06 配置文件。

講了以下幾個參數：

USE_AGENT請求頭，BOT_NAME爬蟲名稱。

AUTOTHROTTLE。自動限制

DEPTH_PRIORTY。深度搜索還是廣度優先搜索。

COOKIES_ENABLE。請求返回時候是否帶著cookie。

CONCURRENT_REQUEST PER_DOMAIN PER_IP對應目標網站的域名或者ip的并發數。

TALENTCONSOLE_ENABLE。這個很有特色，可以在爬蟲運行時候，在同一個機器上面運行運行命令：talent 127.0.0.1 6359然后輸入命令監控爬蟲的state狀態。

python全棧3 day98 01 Scrapy配置之自動限速以及緩存

繼續了上節課的配置，講了自動限速部分的源碼。重要。在throttle.py中進行定義。

緩存。默認沒開啟，為了更快，在“更近”的地方拿到數據。一般就是指直接放在內存中或文件lru中，因為數據庫操作就是IO操作，需要時間。HTTPCATHE_ENABLE/POLICE策略/DIR目錄/STAGE，為了再次運行爬蟲時候，不鏈接網絡，從本地緩存中取出。

如果設置緩存，可以使用RFC2616策略緩存而不是DUMMY策略。

python全棧3 day98 02 Scrapy之默認代理以及擴展代理

主要就是講了原生代理很難用，建議自定制，同時注意如果代理有密碼的情況加header參數 proxy-authority :? basic base64(name passwd)

python全棧3 day98 03 Scrapy之自定義Https證書

一般不常用

python全棧3 day98 04 Scrapy配置之下載中間件

今天看了下進度，感覺有一點點慢，在離職前能把scrapy的視頻看完，最深的目標是把scrapy的core里面twisted相關搞清楚，然后同步的早上要開始做leetcode了，下午可以用來學習，網上開發項目作總結，這個順序應該比較容易接受，因為同一個形式基本上搞三個小時就比較累了。一定記住從現在開始每天都要寫博客，堅持每天寫代碼，就像2011年開始那樣每天都在堅持健身中度過，新的十年，從2020年開始，寫程序就是我的健身，要用于去嘗試，去做記錄，去積累，同時不忘記健身，不給自己太大壓力，穩定住雙向情感障礙，即可。就這樣！今天還算可以，先睡覺了。

python全棧3 day98 04 Scrapy配置之下載中間件

注意一下middleware中的兩個函數process_request與process_response。

process_request返回None繼續執行，返回Request重新調度，返回Response則到process_response中執行，raise IgnoreRequest可以掛起新的異常。

執行兩個函數的時候，按照12344321的順序執行。

process_exception處理過程中異常情況。

python全棧3 day98 05 Scrapy配置之爬蟲中間件

四個函數process_start_requests,process_spider_input,processor_spider_output.processor_spider_exception在爬蟲中間件中執行。

同時注意這些中間件都是在scrapy.core.spidermw.SpiderMiddlewareManager和scrapy.core.downloader.middleware.DownMiddlewareManager中_add_middleware根據has_attr屬性進行加載。

python全棧3 day98 06 Scrapy配置之自定義scrapy命令

主要講的是CrawlerProcessor和CrawlerRunner等類加載爬蟲，然后運行爬蟲。

python全棧3 day98 07 Scrapy源碼流程簡述

這部分主要從命令行開始講起，從CrawlerProcess和它的父類CrawlerRunner開始講，一直引申到twisted的deffer來實現異步的網頁下載。我按照視頻寫了一邊twisted異步下載3個鏈接的test.py感覺就是借助twisted讓回調代碼寫的好看一些，主要是用defer.DeferredList來加載任務，reactor來啟動run和終止stop。

另外清楚了爬蟲幾個隱藏的重要類,按照父類往下：

?

cmdline.execute()。嚴格來說第一層不是一個類，而是一個方法。我們運行爬蟲時候在操作系統中敲scrapy，從這里開始比如scrapy crawl spidername，那么就會進入execute()方法，這個方法會有一個變量cmds，來判斷咱們敲的子命令是什么是runspider還是crawl，得到cmd變量也就是初始化了下面3的具體命令（這里就是crawl.Command而不是runspider.Command），就在這里初始化了CrawlerProcess到變量cmd.crawler_process。

ScrapyCommand。成員函數主要是各種命令號的方法。最重要的成員變量：crawler_process爬蟲進程變量。可以說這個變量如同一個進程，爬蟲、引擎是跑在里面的。

各個命令中的Command類。繼承ScrapyCommand，其中run方法是最標準的爬蟲啟動方法，在1中通過cmd調用了這里的run()。在run()里面，crawler_process調用了兩個方法crawler_process.crawl(spname,**opts.spargs),和crawler_process.start()。start方法很簡單，里面就是一個twisted的reactor.run()，也就是激活。那么重點就是crawl方法了，這里會把蜘蛛、引擎開啟，然后開始跑。

Spider類?？吹竭@里我們就有些眼熟了，這不就是我們平時寫自定義爬蟲集成的父類嘛。不過出現在這一層還是有一些唐突，那么我們在3中說crawler_process.crawl(spname,**opts.spargs)里面參數spname就是這個我們寫的爬蟲，不過具體的加載爬蟲過程我們暫且不表，先繼續往下說Crawler。大家這里一定要注意，Spider和Crawler是兩個完全不同的概念，雖然我們平時說爬蟲爬蟲，但是在scrapy里面，Crawler應該形象的理解為一個“活生生的蟲子”，有引擎支持它運行，而Spider應該只理解成為一個“抓取路徑”，它最多算一個“蜘蛛殼子”，比Crawler要“小的多”。因為Crawler類里面會激活引擎類、和Spider"蜘蛛殼子"類，以及加載各種中間件和pipeline。因此這里要作區分，我們的這篇博文主要分析的也是Crawler類的總體行為。

Crawler類。進入到crawler_process.crawl(spname,**opts.spargs)，這里我們傳入的是一個Spider類，在這里會創建一個crawler實例，然后在self._crawl中運行crawler.crawl，在這里我們終于見到了@defer.inlineCallbacks注解，終于與twisted有點關系了，在這里有兩個方法_create_spider，_create_engine分別創建了“Spider”爬蟲類和"Engine"引擎類然后引擎開始啟動爬蟲，調度爬蟲的start_requests方法。

ExecutionEngine類。這個類基本上就是twisted用到的地方了。從5中的“開始啟動爬蟲”也就是open_spider方法，再往下不斷將爬蟲鏈接發到各個組件之間，基本上數據在各個組件中相互交互用到的就是twisted了。

總結

以上是生活随笔為你收集整理的python老男孩scrapy视频刷课记录的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。