笔记-scrapy-辅助功能

笔记-scrapy-辅助功能

1.      scrapy爬虫管理

爬虫主体写完了，要部署运行，还有一些工程性问题；

1. 限频
2. 爬取深度限制
3. 按条件停止，例如爬取次数，错误次数；
4. 资源使用限制，例如内存限制；
5. 状态报告，邮件
6. 性能问题。

2.      限频

CONCURRENT_ITEMS # item队列最大容量

Default: 100

Maximum number of concurrent items (per response) to process in parallel in the Item Processor (also known as the Item Pipeline).

CONCURRENT_REQUESTS

Default: 16

The maximum number of concurrent (ie. simultaneous) requests that will be performed by the Scrapy downloader.

实现原理：

next_request中while循环，调用needs_back，如果len(self.active)>它，则继续空循环，否则下一步；

核心还是engine.py，会查询downloader,slot等是否需要等待

CONCURRENT_REQUESTS_PER_DOMAIN

Default: 8

The maximum number of concurrent (ie. simultaneous) requests that will be performed to any single domain.

See also: AutoThrottle extension and its AUTOTHROTTLE_TARGET_CONCURRENCY option.

CONCURRENT_REQUESTS_PER_IP

Default: 0

The maximum number of concurrent (ie. simultaneous) requests that will be performed to any single IP. If non-zero, the CONCURRENT_REQUESTS_PER_DOMAIN setting is ignored, and this one is used instead. In other words, concurrency limits will be applied per IP, not per domain.

This setting also affects DOWNLOAD_DELAY and AutoThrottle extension: if CONCURRENT_REQUESTS_PER_IP is non-zero, download delay is enforced per IP, not per domain.

DOWNLOAD_DELAY 下载间隔时间

3.      爬取深度限制

DEPTH_LIMIT

4.      按条件停止爬虫

首先，scrapy自带关闭扩展，可以在setting中设置自动关闭条件。

python3.6.4\Lib\site-packages\scrapy\extensions

CLOSESPIDER_TIMEOUT

CLOSESPIDER_ITEMCOUNT

CLOSESPIDER_PAGECOUNT

CLOSESPIDER_ERRORCOUNT

核心就这么四句

crawler.signals.connect(self.error_count, signal=signals.spider_error)

crawler.signals.connect(self.page_count, signal=signals.response_received)

crawler.signals.connect(self.spider_opened, signal=signals.spider_opened)

crawler.signals.connect(self.item_scraped, signal=signals.item_scraped)

把信号connect到方法，每次达到条件就触发相应信号，到这里调用相应函数，完成操作。

操作函数示例：

    def error_count(self, failure, response, spider):

        self.counter['errorcount'] += 1

        if self.counter['errorcount'] == self.close_on['errorcount']:

            self.crawler.engine.close_spider(spider, 'closespider_errorcount')

当然，也可以自行判断然后抛出异常，调用已有关闭方法；

在spider中：raise CloseSpider(‘bandwidth_exceeded’)

在其它组件中(middlewares, pipeline, etc)：

crawler.engine.close_spider(self, ‘log message’)

5.      资源使用限制

主要是内存

MEMDEBUG_ENABLED

Default: False

Whether to enable memory debugging.

MEMDEBUG_NOTIFY

Default: []

When memory debugging is enabled a memory report will be sent to the specified addresses if this setting is not empty, otherwise the report will be written to the log.

Example:MEMDEBUG_NOTIFY = ['[email protected]']

MEMUSAGE_LIMIT_MB

Default: 0

Scope: scrapy.extensions.memusage

The maximum amount of memory to allow (in megabytes) before shutting down Scrapy (if MEMUSAGE_ENABLED is True). If zero, no check will be performed.

MEMUSAGE_CHECK_INTERVAL_SECONDS

New in version 1.1.

Default: 60.0

Scope: scrapy.extensions.memusage

MEMUSAGE_NOTIFY_MAIL

Default: False

Scope: scrapy.extensions.memusage

A list of emails to notify if the memory limit has been reached.

Example:

MEMUSAGE_NOTIFY_MAIL = ['[email protected]']

See Memory usage extension.

MEMUSAGE_WARNING_MB

Default: 0

Scope: scrapy.extensions.memusage

The maximum amount of memory to allow (in megabytes) before sending a warning email notifying about it. If zero, no warning will be produced.

6.      状态监控及控制

这个得结合一般爬虫分布爬取任务划分状态来说，

大部分一定规模的爬虫框架都是一个主爬虫+多个子爬虫，主爬虫负责爬取列表页并从列表页中获取子页地址，生成二级请求队列；子爬虫负责从二级请求队列中读取请求，完成爬取。

爬虫监控信息及作用主要包括三种：

1. 爬虫状态：包括爬虫已运行时间，已下载网页数，已下载目标数，请求队列大小，已发生错误数；

用于判断当前爬虫进度

1. 爬虫进程状态：

进程监控：爬虫进程挂了，需要重启；

资源监控：爬虫使用资源超标，需要重启释放；

1. 其它爬虫异常状态异常；

主要是异常停止或被ban，需要人工干预；

总体来说，监控日志监控是比较方便的方法，把日志写入数据库或使用sockethandler，

然后另写功能模块负责完成监控，展示，处理功能，可以使爬虫主体功能简单化，另一方面可以避开多进程写日志调度这个麻烦。

7.      邮件

from scrapy.mail import MailSender

mailer = MailSender(

    smtphost = "smtp.163.com",  # 发送邮件的服务器

    mailfrom = "***********@163.com",   # 邮件发送者

    smtpuser = "***********@163.com",   # 用户名

    smtppass = "***********",  # 发送密码不是登陆密码，而是授权码！

       smtpport = 25   # 端口号

    )

body = u"""发送的邮件内容"""

subject = u'发送的邮件标题'

# 如果发送的内容太过简单的话，很可能会部分邮箱的反垃圾设置给禁止

mailer.send(to=["****@qq.com", "****@qq.com"], subject = subject.encode("utf-8"), body = body.encode("utf-8"))能会被当做垃圾邮件给禁止发送。

8.       性能问题

性能问题有原因有多种：

1. 并发数太小，未充分使用CPU，网络及IO，扩大并发数就可以了；把单IP或单域名的并发数改大；
2. 网络，磁盘io，这个只能升级或分布式；一般够得上这种问题的爬虫规模小不了，也只能分布式了；不过这样也太嚣张了，容易被反爬；
3. CPU

在爬虫中，CPU最容易出现瓶颈的地方是解析，

纵向扩展是提高解析效率，使用更高效率的库，或条件允许直接上正则；另外scrapy在解析时是单线程的，可以考虑使用gevent；

横向扩展是多进程，在一台服务器上同时运行多个爬虫；