scrapy专利爬虫（一）——scrapy简单介绍

scrapy专利爬虫（一）——scrapy简单介绍

概述

scrapy是一款方便，快捷的开源爬虫框架。

An open source and collaborative framework for extracting the data you need from websites.

In a fast, simple, yet extensible way.

在上一版本中，笔者采用selenium的方式进行数据采集，采集速度偏慢，而且有莫名的原因会导致第一次采集失败。改用scrapy之后，就像鸟枪换大炮一般，效果显著。

特点

• 多线程

尽管python中存在着GIL锁，导致多线程的效果不是特别理想，但是对于网络请求这种本身就需要等待的事件来说，多线程的作用还是非常大的。无需使程序花大量的时间在等待请求反馈上，可以腾出手去处理别的事情。

• 默认自动去掉重复链接

不停地访问一个网站对服务器的压力也是蛮大的，scrapy使用DUPEFILTER_CLASS自动去除重复发送的请求。减轻了爬取对象服务器的压力，也降低了爬虫被发现的风险。

• 简单易用，结构清晰

借用一下官方的图

​ 从图上可以看出scrapy分为,item,pipeline,scrapy engine,downloader,spider等几个部分。本项目只使用了一下 item, pipeline,downloader middlewares, spider等一部分组件。对于普通项目，使用这些部分也已经可以满足大部分需求。

安装

笔者只在windows系统中尝试过scrapy，至于其他系统，请自行到查询。

pip install scrapy

使用pip安装即可，但是安装过程中经常会出现各种报错，通常都是以为安装过程中一些库安装不上所致。需要开发者查看安装过程中输出的报错，根据报错再到对应库的官网上将whl文件下载下来，用pip install 将whl文件安装即可。笔者在安装过程中遇到的问题是twisted的库安装不上，下载下来安装后便可正常。

源码下载

• csdn
• github

赞赏
微信	支付宝