scrapy踩坑记录_successfully installed pip-20.1.1 setuptools-47.1.

---

title: scrapy踩坑记录
tags: [‘scrapy’,‘python’,‘post’,‘request’]
date: 2021-03-11
categories: “搬砖”

安装了python3.8但是没有pip

在ubuntu上从Python 3.4版和2.7.9版开始，总是可以使用ensurepip模块来引导启动pip，具体如下：

C:\Users\Administrator>python -m ensurepip
Looking in links: c:\Users\ADMINI~1\AppData\Local\Temp\tmpcempbgwg
Processing c:\users\administrator\appdata\local\temp\tmpcempbgwg\setuptools-47.1
.0-py3-none-any.whl
Processing c:\users\administrator\appdata\local\temp\tmpcempbgwg\pip-20.1.1-py2.
py3-none-any.whl
Installing collected packages: setuptools, pip
Successfully installed pip-20.1.1 setuptools-47.1.0
1
2
3
4
5
6
7
8

爬虫https,不安全的问题

Python2/3 解决访问Https时不受信任SSL证书问题

ssl._create_default_context = ssl._create_unverified_context
1

安装scrapy遇到错误

  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/f2/16/3eb9c66a7bfb5220c7bcbaaac33d359fe8a157b028959cd210983749b2e0/Twisted-21.2.0-py3-none-any.whl (3.1 MB)
     |███████████████████████████████▌| 3.0 MB 262 kB/s eta 0:00:01
ERROR: THESE PACKAGES DO NOT MATCH THE HASHES FROM THE REQUIREMENTS FILE. If you have updated the package versions, please update the hashes. Otherwise, examine the p
ackage contents carefully; someone may have tampered with them.
    Twisted[http2]>=17.9.0 from https://pypi.tuna.tsinghua.edu.cn/packages/f2/16/3eb9c66a7bfb5220c7bcbaaac33d359fe8a157b028959cd210983749b2e0/Twisted-21.2.0-py3-none-
any.whl#sha256=aab38085ea6cda5b378b519a0ec99986874921ee8881318626b0a3414bb2631e (from scrapy):
        Expected sha256 aab38085ea6cda5b378b519a0ec99986874921ee8881318626b0a3414bb2631e
             Got        c9b2f7ffbc1fb53011ba7c6500d784a78ef9e1f8274fa472eebc1eab930b216b

1
2
3
4
5
6
7
8
9

换个pip的源解决了

(venv) C:\Users\Administrator\Desktop\爬虫项目文件夹\scrapyDemo>pip3 install scrapy -i https://pypi.mirrors.ustc.edu.cn/simple
1

使用python2 环境安装scrapy使用的时候报错from contextlib import suppress

原因

因为我之前安装过python3，我的环境中的queuelib的版本为1.6.0，是最新版本，但是这个包刚刚好再1.6.0取消了对python2的支持。

解决办法

下载queuelib1.5.0的whl，安装一下。

下载地址https://www.cnblogs.com/klb561/p/9271322.html

No module named ‘scrapy.xlib’

# scrapy1.7版本及以前
from scrapy.xlib.pydispatch import dispatcher
# 之后
from pydispatch import dispatcher
1
2
3
4

scrapy 数据保存json文件

# pipelines
#!/usr/bin/python
# -*- coding: utf-8 -*-
# 导入 JsonItemExporter
from scrapy.exporters import JsonItemExporter
import time


class SpiderPipeline(object):
    # 构造方法（初始化对象时执行的方法）
    def __init__(self):
        # 使用 'wb' （二进制写模式）模式打开文件
        time_str = str(time.strftime('%Y_%m_%d_%H_%M_%S',time.localtime(time.time())))
        print time_str
        self.json_file = open(time_str + '_data.json', 'wb')
        # 构建 JsonItemExporter 对象，设定不使用 ASCII 编码，并指定编码格式为 'UTF-8'
        self.json_exporter = JsonItemExporter(self.json_file, ensure_ascii=False, encoding='UTF-8')
        # 声明 exporting 过程 开始，这一句也可以放在 open_spider() 方法中执行。
        self.json_exporter.start_exporting()

    # 爬虫 pipeline 接收到 Scrapy 引擎发来的 item 数据时，执行的方法
    def process_item(self, item, spider):
        # 将 item 存储到内存中
        self.json_exporter.export_item(item)
        return item

    def close_spider(self, spider):
        # 声明 exporting 过程 结束，结束后，JsonItemExporter 会将收集存放在内存中的所有数据统一写入文件中
        self.json_exporter.finish_exporting()
        # 关闭文件
        self.json_file.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

# settings
ITEM_PIPELINES = {
   'NsmcSpider.pipelines.SpiderPipeline': 300,
}
1
2
3
4
'
运行
运行

其他方法

命令行执行

scrapy crawl spider -o result.json -t json

crawl spider -o result.json -s FEED_EXPORT_ENCODING=UTF-8

爬虫速度慢或者速度不稳定的另外一种解决办法

把cookie给禁掉

custom_settings = {"COOKIES_ENABLED":False}
1
'
运行
运行

使用scrapy.http.Request数据不全的问题

记得加上报文头

    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36",
        "Content-Type": "application/x-www-form-urlencoded; charset=UTF-8",# 这一条一定要加上
    }
1
2
3
4
'
运行
运行

出现错误Filtered offsite request to

原因：allowed_domains和实际采集的网页有出入

解决办法：

        yield Request(url=home, method='get', headers=self.headers,dont_filter=True,
                      meta={"channel": response.meta["channel"], },
                      callback=self.parse_link)
1
2
3

加上dont_filter=True

或者 将allowed_domains的内容改一下，改成一级域名，能够和后面的匹配的上。

报错Filtered duplicate request: GET xxx - no more duplicates

原因： 爬取的url重复了，所以RedisSpider模块默认会记录爬过的url，会把后面出现以前爬过的url去掉，导致重新开启程序爬取之前爬过的url，都被去除掉后就爬不到东西。

解决办法：

加上dont_filter=True

scrapy有一个基于链接的去重，加上dont_filter=True可以完整的采集，去重可以放到入库的时候再处理。

ValueError: check_hostname requires server_hostname

可能是开了代理

进行请求的时候使用urlencode进行转码报错TypeError: not a valid non-string sequence or mapping object

使用quote_plus

禁止重定向

yield Request(url=final, method='get', headers=self.headers,cookies=cookie,
              meta={"channel": response.meta["channel"], "start_hash": response.meta['start_hash'],
                    "dont_redirect":True,'handle_httpstatus_list': [302]},
              callback=self.parse_item)
1
2
3
4