scrapy 学习之路上的那些坑

前言

本文记录自己在学习scrapy当中遇到的各种大小问题，持续更新。

环境简介：

语言版本	爬虫框架	IDE	系统
python3.5	scrapy1.4.0	pycharm	win10 x64

scrapy安装失败

报错显示缺少Twisted。
错误分析：Twisted本身是一个网络引擎框架，scrapy的运行依赖于Twisted。
解决办法：通过 http://www.lfd.uci.edu/~gohlk...，在通过pip install xxxpath(xxxpath 指代whl下载到本机的路径)。

No module named scrapy

在pycharm打开scrapy新建的项目后，import scrapy 报错显示No module named scrapy。
错误分析：pycharm的默认依赖项当中没有scrapy，或者说默认查找的路径中找不到scrapy。
解决办法：通过file=>Default Settings=>Project Interpreter 重新关联python，pycharm的local中加入本地的python.exe

XPaths谷歌插件使用

插件下载地址：
https://chrome.google.com/web...
安装完毕xpath之后，需要重新加载页面，方可使用。

scrapy 生成json文件中文是Unicode字符

错误分析：scrapy在做json序列化的时候默认使用的是ensure_ascii 编码。
解决办法：在设置当中（settings.py），加入FEED_EXPORT_ENCODING = 'utf-8'。

解决爬取数据频繁时，被禁止

错误分析：网站本身有反爬虫，会针对频繁快速拉去的ip和用户进行封锁。
解决办法：设置动态的用会代理和动态的ip代理。
在中间件文件middlewares.py中，增加动态IP代理类和动态用户代理类。

import random

PROXIES = [
    {'ip_port': '106.39.179.244:80'},
    {'ip_port': '65.52.223.99:80'},
    {'ip_port': '1.52.248.207:3128'},
    {'ip_port': '45.77.198.207:3128'},
    {'ip_port': '177.125.119.16:8080'},
    {'ip_port': '174.138.65.233:3128'}
]


class RandomUserAgent(object):
    """Randomly rotate user agents based on a list of predefined ones"""

    def __init__(self, agents):
        self.agents = agents

    @classmethod
    def from_crawler(cls, crawler):
        return cls(crawler.settings.getlist('USER_AGENTS'))

    def process_request(self, request, spider):
        # print "**************************" + random.choice(self.agents)
        request.headers.setdefault('User-Agent', random.choice(self.agents))


class ProxyMiddleware(object):
    def process_request(self, request, spider):
        proxy = random.choice(PROXIES)
        print("**************ProxyMiddleware no pass************" + proxy['ip_port'])
        request.meta['proxy'] = "http://%s" % proxy['ip_port']

这组动态IP需要注意的是，隔一段时间可能会失效，需要重新获取IP。
在配置文件settings.py中增加

    DOWNLOADER_MIDDLEWARES = {
        'tutorial.middlewares.RandomUserAgent': 1,
        'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 110,
        'tutorial.middlewares.ProxyMiddleware': 100
    }
    USER_AGENTS = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
    "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
]