Scrapy设置

Scrapy组件的行为可以使用Scrapy设置进行修改。如果您有多个Scrapy项目，这些设置还可以选择当前处于活动状态的Scrapy项目。

指定设置

您必须通知Scrapy您在取消网站时使用的设置。为此，应该使用环境变量 SCRAPY_SETTINGS_MODULE ，其值应该在Python路径语法中。

填充设置

下表显示了可以填充设置的一些机制 -

序号	机制与描述
1	命令行选项在这里，通过覆盖其他选项来传递参数的优先级最高。-s用于覆盖一个或多个设置。 scrapy crawl myspider -s LOG_FILE = scrapy.log
2	每个蜘蛛的设置蜘蛛可以拥有自己的设置，通过使用属性custom_settings覆盖项目。 class DemoSpider(scrapy.Spider): name = 'demo' custom_settings = { 'SOME_SETTING': 'some value', }
3	项目设置模块在这里，您可以填充自定义设置，例如添加或修改settings.py文件中的设置。
4	每个命令的默认设置每个Scrapy工具命令都会在default_settings属性中定义自己的设置，以覆盖全局默认设置。
5	默认全局设置这些设置可在scrapy.settings.default_settings模块中找到。

访问设置

它们通过self.settings可用，并在初始化后设置在基本蜘蛛中。

以下示例演示了这一点。

class DemoSpider(scrapy.Spider):
   name = 'demo'
   start_urls = ['http://example.com']  
   def parse(self, response):
      print("Existing settings: %s" % self.settings.attributes.keys())

要在初始化蜘蛛之前使用设置，您必须在蜘蛛的 init() 方法中覆盖 _fromcrawler 方法。您可以通过传递给 _fromcrawler 方法的属性 scrapy.crawler.Crawler.settings 来访问设置。

以下示例演示了这一点。

class MyExtension(object):
   def __init__(self, log_is_enabled = False):
      if log_is_enabled:
         print("Enabled log")
         @classmethod
   def from_crawler(cls, crawler):
      settings = crawler.settings
      return cls(settings.getbool('LOG_ENABLED'))

设置名称的理由

设置名称作为前缀添加到它们配置的组件。例如，对于robots.txt扩展名，设置名称可以是ROBOTSTXT_ENABLED，ROBOTSTXT_OBEY，ROBOTSTXT_CACHEDIR等。

内置设置参考

下表显示了Scrapy的内置设置：

Sr.No	设置和说明
1	AWS_ACCESS_KEY_ID 它用于访问亚马逊网络服务。默认值：无
2	AWS_SECRET_ACCESS_KEY 它用于访问亚马逊网络服务。默认值：无
3	BOT_NAME 它是可以用于构建User-Agent的bot的名称。默认值：'scrapybot'
4	CONCURRENT_ITEMS 项目处理器中用于并行处理的最大现有项目数。默认值：100
5	CONCURRENT_REQUESTS Scrapy下载器执行的最大现有请求数。默认值：16
6	CONCURRENT_REQUESTS_PER_DOMAIN 对于任何单个域同时执行的现有请求的最大数量。默认值：8
7	CONCURRENT_REQUESTS_PER_IP 与任何单个IP同时执行的现有请求的最大数量。默认值：0
8	DEFAULT_ITEM_CLASS 这是一个用来表示项目的类。默认值：'scrapy.item.Item'
9	DEFAULT_REQUEST_HEADERS 它是用于Scrapy的HTTP请求的默认标题。默认值 - { 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,/;q=0.8', 'Accept-Language': 'en', }
10	DEPTH_LIMIT 蜘蛛抓取任何网站的最大深度。默认值：0
11	DEPTH_PRIORITY 它是一个整数，用于根据深度改变请求的优先级。默认值：0
12	DEPTH_STATS 它说明是否收集深度统计信息。默认值：True
13	DEPTH_STATS_VERBOSE 此设置启用时，请求的数量收集在每个详细深度的统计信息中。默认值：False
14	DNSCACHE_ENABLED 它用于在内存缓存中启用DNS。默认值：True
15	DNSCACHE_SIZE 它定义了内存缓存中DNS的大小。默认值：10000
16	DNS_TIMEOUT 它用于设置DNS处理查询的超时时间。默认值：60
17	DOWNLOADER 它是用于抓取过程的下载程序。默认值：'scrapy.core.downloader.Downloader'
18	DOWNLOADER_MIDDLEWARES 这是一本控制下载中间件及其订单的字典。默认值： {}
19	DOWNLOADER_MIDDLEWARES_BASE 这是一个保存下载器中间件的字典，默认情况下是启用的。默认值 - { 'scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware': 100, }
20	DOWNLOADER_STATS 此设置用于启用下载器统计信息。默认值：True
21	DOWNLOAD_DELAY 它定义下载器从网站下载页面之前的总时间。默认值：0
22	DOWNLOAD_HANDLERS 这是一个包含下载处理程序的字典。默认值： {}
23	DOWNLOAD_HANDLERS_BASE 它是一个包含下载处理程序的字典，默认情况下处于启用状态。默认值 - { 'file': 'scrapy.core.downloader.handlers.file.FileDownloadHandler', }
24	DOWNLOAD_TIMEOUT 下载器在超时之前等待的总时间。默认值：180
25	DOWNLOAD_MAXSIZE 这是下载器下载的最大响应大小。默认值：1073741824（1024MB）
26	DOWNLOAD_WARNSIZE 它定义了下载器发出警告的响应大小。默认值：33554432（32MB）
27	DUPEFILTER_CLASS 它是用于检测和过滤重复请求的类。默认值：'scrapy.dupefilters.RFPDupeFilter'
28	DUPEFILTER_DEBUG 此设置在设置为true时记录所有重复过滤器。默认值：False
29	编辑它用于使用编辑命令编辑蜘蛛。默认值：取决于环境
三十	EXTENSIONS 它是一个在项目中启用了扩展的字典。默认值： {}
31	EXTENSIONS_BASE 这是一个内置扩展名的字典。默认值：{'scrapy.extensions.corestats.CoreStats'：0，}
32	FEED_TEMPDIR 它是用于设置可以存储抓取工具临时文件的自定义文件夹的目录。
33	ITEM_PIPELINES 这是一个有管道的字典。默认值： {}
34	LOG_ENABLED 它定义了是否启用日志记录。默认值：True
35	LOG_ENCODING 它定义了用于记录的编码类型。默认值：'utf-8'
36	LOG_FILE 它是用于记录输出的文件的名称。默认值：无
37	LOG_FORMAT 它是一个字符串，可以使用该字符串格式化日志消息。默认值：'％（asctime）s [％（name）s]％（levelname）s：％（message）s'
38	LOG_DATEFORMAT 它是一个使用哪个日期/时间格式化的字符串。默认值：'％Y-％m-％d％H：％M：％S'
39	LOG_LEVEL 它定义了最低日志级别。默认值：'DEBUG'
40	LOG_STDOUT 此设置如果设置为true，则所有过程输出都将显示在日志中。默认值：False
41	MEMDEBUG_ENABLED 它定义了是否启用内存调试。默认值：False
42	MEMDEBUG_NOTIFY 它定义了启用内存调试时发送到特定地址的内存报告。默认值： []
43	MEMUSAGE_ENABLED 它定义了当Scrapy进程超过内存限制时是否启用内存使用。默认值：False
44	MEMUSAGE_LIMIT_MB 它定义了允许的最大内存限制（以兆字节为单位）。默认值：0
45	MEMUSAGE_CHECK_INTERVAL_SECONDS 它用于通过设置间隔的长度来检查当前的内存使用情况。默认值：60.0
46	MEMUSAGE_NOTIFY_MAIL 当内存达到限制时，它用于通知电子邮件列表。默认值：False
47	MEMUSAGE_REPORT 它定义了是否在关闭每个蜘蛛时发送内存使用情况报告。默认值：False
48	MEMUSAGE_WARNING_MB 它定义了发送警告之前允许的总内存。默认值：0
49	NEWSPIDER_MODULE 它是一个使用genspider命令创建新蜘蛛的模块。默认值： ''
50	RANDOMIZE_DOWNLOAD_DELAY 它定义了Scrapy等待下载来自站点的请求的随机时间。默认值：True
51	REACTOR_THREADPOOL_MAXSIZE 它定义了反应器线程池的最大尺寸。默认值：10
52	REDIRECT_MAX_TIMES 它定义了请求可以重定向的次数。默认值：20
53	REDIRECT_PRIORITY_ADJUST 此设置在设置时调整请求的重定向优先级。默认值：+2
54	RETRY_PRIORITY_ADJUST 此设置在设置时会调整请求的重试优先级。默认值：-1
55	ROBOTSTXT_OBEY 当设置为 _true_ 时，Scrapy会遵守robots.txt策略。默认值：False
56	SCHEDULER 它定义了用于抓取目的的调度器。默认值：'scrapy.core.scheduler.Scheduler'
57	SPIDER_CONTRACTS 这是一个有蜘蛛合同来测试蜘蛛的项目字典。默认值： {}
58	SPIDER_CONTRACTS_BASE 它是一个持有Scrapy合约的字典，默认情况下在Scrapy中启用。默认值 - { 'scrapy.contracts.default.UrlContract' : 1, 'scrapy.contracts.default.ReturnsContract': 2, }
59	SPIDER_LOADER_CLASS 它定义了一个实现 _SpiderLoader API_ 来加载蜘蛛的类。默认值：'scrapy.spiderloader.SpiderLoader'
60	SPIDER_MIDDLEWARES 这是一本持有蜘蛛中间件的字典。默认值： {}
61	SPIDER_MIDDLEWARES_BASE 这是一个持有蜘蛛中间件的字典，默认情况下在Scrapy中启用。默认值 - { 'scrapy.spidermiddlewares.httperror.HttpErrorMiddleware': 50, }
62	SPIDER_MODULES 这是Scrapy将寻找的包含蜘蛛的模块列表。默认值： []
63	STATS_CLASS 它是一个实现 _Stats Collector_ API来收集统计数据的类。默认值：'scrapy.statscollectors.MemoryStatsCollector'
64	STATS_DUMP 将此设置设置为true时，会将统计信息转储到日志中。默认值：True
65	STATSMAILER_RCPTS 蜘蛛完成抓取后，Scrapy会使用此设置发送统计信息。默认值： []
66	TELNETCONSOLE_ENABLED 它定义了是否启用telnetconsole。默认值：True
67	TELNETCONSOLE_PORT 它为telnet控制台定义了一个端口。默认值：[6023，6073]
68	TEMPLATES_DIR 它是一个包含可在创建新项目时使用的模板的目录。默认值：scrapy模块内的templates目录
69	URLLENGTH_LIMIT 它定义了爬网URL允许使用的URL的最大长度限制。默认值：2083
70	USER_AGENT 它定义了在爬网时使用的用户代理。默认值：“Scrapy / VERSION（+ http：//scrapy.org）”

下一节：Scrapy 异常

Scrapy 教程

Scrapy异常：不规则事件被称为例外。在Scrapy中，由于诸如缺少配置，从项目管道中删除项目等原因而引发异常。以下是Scrapy中提及的异常及其应用程序的列表。DropItem物品管道利用此异常来停止在任何阶段处理物品。它可以写成：ex ...

编程宝库 - 技术改变世界