Scrapy爬虫框架——慕课嵩天老师课程学习笔记

框架理解

框架结构：5+2结构

spiders模块-----engine模块-----downloader模块(联网)-----scheduler模块-----item pipelines模块

spiders负责接收用户请求(发给scheduler)，处理downloader的response(发给item pipelines和scheduler)

engine是链接其他四个模块的中介

downloader负责将从scheduler收到的request联网下载，返回response给spiders

scheduler从spiders接收request并调度给downloader

item piplines处理spiders发送过来的response

只需要配置spiders和item piplines。Downloader Middleware、Spiders Middleware。

spider与接收用户、downloader，发送给scheduler(request)、item piplines(items)

downloader接收scheduler(request)，发送给spider(response其中包含request和items)

scheduler接收spider，发送给downloader

item pipelines接收spider(item)。

中间件模块：engine和spiders中间、engine和downloader中间

数据流路径：

1.spiders -> engine -> scheduler (engine从spider获得requests，scheduler对请求进行调度)

2.scheduler -> engine -> downloader -> engine -> spiders

       engine收到从sheduler的request，将它发给downloader，由downloader链接互联网下载，并且返回response给engine->spiders

3.spiders -> engine -> item pipelines&&scheduler  

        spiders处理响应，产生两个数据类型item和requests。requests是新的爬去请求，即网页其他链接也感兴趣，可以发给scheduler继续调度。

常用命令

scrapy <command> [options][args]

startproject创建工程 scrapy startproject <name> [dir]

genspider创建爬虫 scrapy genspider [options] <name> <domain>

settings获得爬虫配置信息 scrapy settings [options]

crawl运行爬虫 scrapy crawl <spider>

list列出工程所有爬虫 scrapy list

shell启动URL调试命令行 scrapy shell [url]

目录结构

运行scrapy startproject demo时

demo/   工程文件夹

---scrapy.cfg    部署服务器上时爬虫配置文件

---demo/        自定义代码文件夹

    ---__init__.py   初始化脚本

    ---items.py     Items代码模板（继承类）

    ---middlewares.py     Middlewares代码模板（继承类）

    ---piplines.py      Piplines代码模板（继承类）

    ---setting.py        Scrapy爬虫的配置文件

    ---spiders/          Spiders代码模板目录（继承类）

cd demo运行scrapy genspider demo python123.io

意思是产生一个爬虫，爬虫名字是demo，爬取域名是https://python123.io

会在demo/demo/spiders/文件夹里生产一个demo.py文件

使用步骤

四步：创建工程和spider模板，编写Item Pipeline，编写Spider，优化配置策略

数据类型：Request类、Response类、Item类

Request类(class scrapy.http.Request())

Request对象表示一个HTTP请求

由Spider生成，由Downloader执行

.url请求的URL地址

.method请求的方法

.headers请求头

.body请求主体，字符串类型

.meta传递消息用

.copy()复制该请求

Reponse类(class scrapy.http.Response())

Response随想表示一个HTTP响应

由downloader生成，由spider处理

.url 对应的URL地址

.status状态码

.headers头部信息

.body内容信息，字符串类型

.flags一组标记

.request产生Response类型对应的Request对象

.copy()复制该响应

Item类(class scrapy.item.Item())

Item对象表示一个从HTML页面中提取的信息内容

由Spider生成，由Item Pipeline处理

Item类似字典类型，可以按照字典类型操作

信息提取方法：BeautifulSoup、lxml、re、Xpath Selector、CSS Selector