提升scrapy爬取数据的效率
增加并发：
默认scrapy开启的并发线程为32个，可以适当进行增加。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。
降低日志级别：
在运行scrapy时，会有大量日志信息的输出，为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写：LOG_LEVEL = ‘INFO’
禁止cookie：
如果不是真的需要cookie，则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率，提升爬取效率。在配置文件中编写：COOKIES_ENABLED = False
禁止重试：
对失败的HTTP进行重新请求（重试）会减慢爬取速度，因此可以禁止重试。在配置文件中编写：RETRY_ENABLED = False
减少下载超时：
如果对一个非常慢的链接进行爬取，减少下载超时可以能让卡住的链接快速被放弃，从而提升效率。在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s
爬虫的反扒措施
1、header 浏览器的请求头 （全国动产抵押监督管理平台）
2、User-Agent 用户代理，表明访问源身份的一种方式 （全国动产抵押监督管理平台）
3、Referer 访问的目标链接是从哪个链接跳转过来的（做防盗链的话，就可以从它入手）HTTP来源地址（referer，或 HTTP referer）是HTTP表头的一个字段，用来表示从哪儿链接到目前的网页，采用的格式是URL。换句话说，借着HTTP来源地址，目前的网页可以检查访客从哪里而来，这也常被用来对付伪造的跨网站请求。 （中国裁判文书网）
4、Host 同源地址判断，用它会很有用 （IT桔子）
5、IP 同一个IP短时多次访问，就很有可能是爬虫，反爬虫会对此做处理 （搜狗微信）
6、访问频率 短时多次高并发的访问，基本上就是有问题的访问 （搜狗微信）
7、Cookie 存储在浏览器端，常用来保存“认证数据”，请求会携带这些数据发送给服务器，这样服务器才能判断当前请求的状态 （北京市企业信用信息网）
8、动态请求加载 通过Ajax异步加载的网页内容在网页源码中是没有的，网页返回的response中是解析不到我们想要的内容的 （大众点评）
9、网站数据加密 抓取下来的数据是经过加密的，给爬虫数据处理带来问题 （去哪儿）
10、混淆js加密 首次请求数据时，服务端返回动态的混淆加密过的JS，而这段JS的作用是给Cookie添加新的内容用于服务端验证，此时返回的状态码一般不是200。浏览器带上新的Cookie再次请求，服务端验证Cookie通过返回数据(这也是为嘛代码不能返回数据的原因) （中国裁判文书网）
11、验证码 用户请求频率过高的时候，有些网站就会触发验证码验证机制，让你输入各种验证码 （12306）
12、登录 需要用户登录之后才能够获取页面中的信息，那么这种防护能非常有效的防止数据大批量的被爬取 （IT桔子）
13、限制网页返回数据条数 网页刚开始会显示很多条，当你账号或者一段时间后网页返回数据，你只能局限于前几页或者前几条 （IT桔子）
14、Noscript标签的使用 <noscript>标签是在浏览器（或者用户浏览标识），没有启动脚本支持的情况下触发的标签，在低级爬虫中，基本都没有配置js引擎，通常这种方式和Ajax异步加载同时使用。用于保护自己不想让爬虫接触的信息。当JavaScript被禁用或者不被支持时提供的一种代替方式，即 noscrip 标签中的内容会在此时被浏览器解析，作为 javascript 不可用时的备选方案。
1 user-agent
2 referer
3 cookie（cookie池，先访问一次）
4 频率限制（代理池，延迟）
5 js加密（扣出来，exjs模块指向）
6 css加密
7 验证码（打码平台），半手动
8 图片懒加载