Python Scrapy下载大文件
我不熟悉python和scrapy。最近我尝试爬网一个视频网站,它有3000多页,每页包含20个视频。我正在使用Python Scrapy下载大文件,python,scrapy,Python,Scrapy,我不熟悉python和scrapy。最近我尝试爬网一个视频网站,它有3000多页,每页包含20个视频。我正在使用scrapy获取URL(包括视频源和下一页),并使用请求下载视频。问题是,脚本运行时没有任何错误,但爬行速度相当慢(大约4页/分钟)。我猜这是因为scrapy在下载视频时阻止了下一个请求,或者暂停了下载过程?如果是这样的话,有没有办法提高scrapy的速度,而不是使用多线程编写另一个脚本?以下是我的脚本: setting.py: BOT_NAME = 'video' SPIDER_M
scrapy
获取URL(包括视频源和下一页),并使用请求
下载视频。问题是,脚本运行时没有任何错误,但爬行速度相当慢(大约4页/分钟)。我猜这是因为scrapy在下载视频时阻止了下一个请求,或者暂停了下载过程?如果是这样的话,有没有办法提高scrapy的速度,而不是使用多线程编写另一个脚本?以下是我的脚本:
setting.py:
BOT_NAME = 'video'
SPIDER_MODULES = ['video.spiders']
NEWSPIDER_MODULE = 'video.spiders'
LOG_LEVEL= 'DEBUG'
DUPEFILTER_CLASS= 'video.custom_filters.ViewKeyFilter'
DOWNLOAD_DELAY= 1
ITEM_PIPELINES= {'video.pipelines.VideoPipeline': 1,
'video.pipelines.Duplicates_Pipeline':300}
FILES_STORE= '/root/OneDrive/HDvideo'
自定义过滤器.py
class ViewKeyFilter(RFPDupeFilter):
def __init__(self,path=None,debug=False):
self.urls_seen = set()
RFPDupeFilter.__init__(self,path,debug)
def request_seen(self, request):
if 'viewkey=' in request.url:
pattern = re.compile(r'viewkey=(\w*)')
if pattern.search(request.url).group(1) in self.urls_seen:
return True
else:
self.urls_seen.add(request.url)
spider.py
class videoSpider(scrapy.Spider):
name = 'video'
def start_requests(self):
url = "http://video.com/v.php?next=watch&page=1"
yield Request(url,callback=self.parse,headers=headers,dont_filter=True)
def parse(self, response):
doc = HTML(html=response.text)
if doc.find('a:contains(">")'):
yield Request('http://video.com/v.php' + doc.find('a:contains(">")')[0].attrs['href'],
callback=self.parse, headers=headers,dont_filter=True)
for video_box in doc.find('div.listchannel'):
title = video_box.find('a[target="blank"]')[0].find('img')[0].attrs['title']
if not any(keyword in title for keyword in filterTitle):
SDURL = video_box.find('a[target="blank"]')[0].attrs['href']
if 'viewkey=' in SDURL:
if video_box.find('div.hd-video'):
vkey = pattern.search(SDURL).group(1) # Handling HD videos
yield Request('http://video.com/video_hd.php?viewkey={}'.format(vkey),
callback=self.parse_videoPage, headers=headers, cookies=cookies[random.randint(0,len(dummy_cookie) -1)])
else:
yield Request(SDURL,callback=self.parse_videoPage,
headers=headers)
def parse_videoPage(self,response):
if 'video_missing' not in response.url:
doc = HTML(html=response.text)
title = doc.find('#video-title')[0].text
src = doc.find('source')[0].attrs['src']
item = VideoItem()
item['title'] = title
item['src'] = src
item['vkey'] = pattern.search(response.url).group(1)
self.logger.info('Return item. Title:{} src:{}'.format(title,src))
yield item
管道.py
class VideoPipeline(MediaPipeline):
def process_item(self, item,spider):
if item['src']:
try:
r =requests.get(item['src'],stream=True,timeout=5,headers=headers)
log.logger.info('Downloading video: {}'.format(item['title']))
with open('/root/OneDrive/HDvideo/' + item['title'] + '.mp4','wb') as f:
for chunk in r.iter_content(chunk_size=1024):
if chunk:
f.write(chunk)
log.logger.info('Downloaded video: {}'.format(item['title']))
except:
log.logger.exception('Something bad happened: ')
finally:
return
class Duplicates_Pipeline(object):
def __init__(self):
self.vkeys_seen = set()
def process_item(self,item,spider):
if item is not None:
if item['vkey'] in self.vkeys_seen:
raise DropItem('Duplicate item found: {}'.format(item))
else:
self.vkeys_seen.add(item['vkey'])
return item
视频将保存到/root/OneDrive/
,这是一个安装在我的Vultr VPS上的目录,带有rclone
。对不起我的英语。任何帮助都将不胜感激。如果您没有设置并发请求(我认为默认值为16),您可以尝试更改该值。有时候降低它可以提供更好的整体速度。您好,@Tony感谢您的快速回复。我之前已经完全尝试了您所说的,包括每个域的并发请求,但是日志文件显示,一旦并发值增加,scrapy将多次访问同一页面。我认为问题来自于pipelines.py
?如果您每页有20个视频,并且有16个并发连接,那么您的页面数将很低,因为根据视频文件的大小,您需要下载20个视频,然后才能请求下一页。你说爬行速度很慢,但pages/min不是最好的衡量标准。在浏览器中下载1个视频需要多长时间?您的互联网连接速度是多少?嗨,@Tony,我刚刚在VPS上测试过。你说得对,目标网站的下载速度确实有限制,我能得到的最大下载速度约为600KB/s。但在使用concurrent.futures.ThreadPoolExecutor
之前,我编写了一个简单的脚本,该脚本在2小时内为我提供了22GB的视频。所以我猜scrapy正在一个接一个地下载视频?我认为最好是用一个框架来抓取大型网站,因为网站会不断更新。如果该网站将你的连接识别为机器人,它也可能会限制你的下载。您的日志中有502个错误吗?