scrapy 中的 settings.py文件在项目中是非常重要的，因其包含非常多的配置。 这篇博客基于官方手册为你说明 settings.py文件相关配置，并补充一些扩展说明。
settings 的 4 个级别
优先级最高 - 命令行，例如 scrapy crawl my_spider -s LOG_LEVEL=WARNINI；
优先级第二 - 爬虫文件自己的设置，例如在 xxx.py文件中设置 custom_settings ；
优先级第三 - 项目模块，这里指的是 settings.py文件中的配置；
优先级第四 - default_settings属性配置；
优先级第五 - default_settings.py文件中的配置。
settings配置的读取，一般使用 spider中的 from_crawler方法，在中间件，管道，扩展中都可以进行调用。
settings配置读取操作非常简单，上一篇博客已经有所涉及，命令格式如下所示：
scrapy settings --get 配置变量名称
settings 常用配置
基本配置
BOT_NAME：爬虫名称；
SPIDER_MODULES：爬虫模块列表；
NEWSPIDER_MODULE：模块在哪里使用 genspider命令创建新的爬虫；
日志
scrapy 日志与 logging模块一致，使用 5 个级别： 配置名为 LOG_LEVEL，最低的是 DEBUG（默认），INFO，WARNING，ERROR，CRITICAL(最高)。 其余日志相关配置如下，
LOGSTATS_INTERVAL：设置日志频率，默认是 60 秒，可以修改为 5 秒，
LOG_FILE：日志文件；
LOG_ENABLED：是否启用日志，关闭了运行爬虫，就啥都不输出了；
LOG_ENCODING：编码；
LOG_FORMAT：日志格式，这个可以参考 logging模块学习；
LOG_DATEFORMAT：同上，负责格式化日期/时间；
统计
STATS_DUMP：默认开启，爬虫采集完毕，将爬虫运行信息统计并输出到日志；
DOWNLOADER_STATS：启用下载中间件统计；
DEPTH_STATS和 DEPTH_STATS_VERBOSE：统计深度相关设置；
STATSMAILER_RCPTS：爬虫采集完毕，发送邮箱列表。
性能
CONCURRENT_REQUESTS：最大并发请求数，抓取不同网站时使用，该值默认是 16，如果一次请求耗时 0.2 秒，则并发极限是 16/0.2 = 80 次请求
CONCURRENT_REQUESTS_PER_DOMAIN和 CONCURRENT_REQUESTS_PER_IP：单个域或者单个 IP 的最大并发请求数；
CONCURRENT_ITEMS：每次请求并发处理的最大文件数，如果 CONCURRENT_REQUESTS=16，CONCURRENT_ITEMS=100，则表示每秒有 1600 个文件会被写入数据库；
DOWNLOAD_TIMEOUT：下载器在超时前等待的时间量；
DOWNLOAD_DELAY：下载延迟，限制爬取速度，配合 RANDOMIZE_DOWNLOAD_DELAY使用，会使用一个随机值 * DOWNLOAD_DELAY；
CLOSESPIDER_TIMEOUT，CLOSESPIDER_ITEMCOUNT，CLOSESPIDER_PAGECOUNT，CLOSESPIDER_ERRORCOUNT：四个配置比较类似，都是为了提前关闭爬虫，分别为时间，抓取 item 的数量，发出一定的请求数，发生一定的错误量。
抓取相关
USER_AGENT：用户代理；
DEPTH_LIMIT：抓取的最大深度，在深度抓取时有用；
ROBOTSTXT_OBEY：是否遵守 robots.txt约定；
COOKIES_ENABLED：是否禁用 cookie，禁用之后有时能提高采集速度；
DEFAULT_REQUEST_HEADERS：请求头；
IMAGES_STORE：使用 ImagePipeline时图片的存储路径；
IMAGES_MIN_WIDTH和 IMAGES_MIN_HEIGHT：筛选图片；
IMAGES_THUMBS：设置缩略图；
FILES_STORE：文件存储路径；
FILES_URLS_FIELD与 FILES_RESULT_FIELD：使用 Files Pipeline时的一些变量名配置；
URLLENGTH_LIMIT：允许抓取网站地址的最大长度。
扩展功能
ITEM_PIPELINES：管道配置；
COMMANDS_MODULE：自定义命令；
DOWNLOADER_MIDDLEWARES：下载中间件；
SCHEDULER：调度器；
EXTENSIONS：扩展；
SPIDER_MIDDLEWARES：爬虫中间件；
RETRY_*：设置了 Retry 相关中间件配置；
REDIRECT_*：设置了 Redirect 相关中间件配置；
METAREFRESH_*：设置了 Meta-Refresh 中间件相关配置；
MEMUSAGE_*：设置了内存相关配置。
settings 配置的一些技巧
通用配置写在项目的 settings.py文件中；
爬虫个性化设置写在 custom_settings变量内；
不同进行的爬虫，配置要初始化在命令行内。
本篇博客的爬虫案例
这一次的爬虫就采集蓝桥训练营的课程吧，页面经过测试得到的请求地址如下：
https://www.lanqiao.cn/api/v2/courses/?page_size=20&page=2&include=html_url,name,description,students_count,fee_type,picture_url,id,label,online_type,purchase_seconds_info,level 复制代码
其中参数除了 page_size和 page以外，还存在一个 include参数，这也是接口中常用的一个参数，其值代表接口返回哪些字段（包含哪些属性），如下图所示。 接下来就使用 scrapy 将其实现，并把结果保存到 json 文件中。
lanqiao.py 文件代码
import jsonimport scrapyfrom lq.items import LqItemclass LanqiaoSpider(scrapy.Spider): name = "lanqiao" allowed_domains = ["lanqiao.cn"] def start_requests(self): url_format = "https://www.lanqiao.cn/api/v2/courses/?page_size=20&page={}&include=html_url,name,description,students_count,fee_type,picture_url,id,label,online_type,purchase_seconds_info,level" for page in range(1, 34): url = url_format.format(page) yield scrapy.Request(url=url, callback=self.parse) def parse(self, response): json_data = json.loads(response.text) for ret_item in json_data["results"]: item = LqItem(**ret_item) yield item
代码中直接将 ret_item赋值到了 LqItem的构造函数中，实现对字段的赋值。
items.py 文件代码
该类主要对数据字段进行限制。
import scrapyclass LqItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() html_url = scrapy.Field() name = scrapy.Field() description = scrapy.Field() students_count = scrapy.Field() fee_type = scrapy.Field() picture_url = scrapy.Field() id = scrapy.Field() label = scrapy.Field() online_type = scrapy.Field() purchase_seconds_info = scrapy.Field() level = scrapy.Field()
settings.py 开启部分配置
BOT_NAME = "lq"SPIDER_MODULES = ["lq.spiders"]NEWSPIDER_MODULE = "lq.spiders"USER_AGENT = "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36"ROBOTSTXT_OBEY = FalseCONCURRENT_REQUESTS = 16DOWNLOAD_DELAY = 3
爬虫运行结果：
累计爬取到 **600+**课程信息。
作者：梦想橡皮擦链接：https://juejin.cn/post/7066249132628770824
