Scrapy入门（1）

前言

前期自己写过一些爬虫，都是用urllib、bs4等实现的，没有涉及到爬虫框架。这次准备系统的学习一下scrapy框架。

什么是Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了 页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

Scrapy的安装

运行环境：

window10 x64系统

python3.6

anaconda3

安装步骤很简单，conda install Scrapy 或者 pip install Scrapy即可。安装完成后，输入 scrapy -h，如下显示表示安装成功。

开始第一个scrapy项目

进入想要放置项目的路径，输入

scrapy startproject scrapytest

在创建目录的文件夹下，文件形式组织如下：

其中，
- scrapytest/: 该项目的python总模块。
- scrapytest/items.py:项目中的item文件，编写爬取的字段名称等；
- scrapytest/pipelines.py: 项目中的pipelines文件；
- scrapytest/settings.py: 项目的设置文件，较为重要；
- scrapytest/spiders/: 放置spider代码的主目录；

Scrapy整体架构和各组件作用

Scrapy整体架构图：

数据流：

1、引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。

2、引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。

3、引擎向调度器请求下一个要爬取的URL。

4、调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。

5、一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。

6、引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。

7、Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。

8、引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。

9、(从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

各组件作用

Scrapy Engine

引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分。

调度器(Scheduler)

调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。

下载器(Downloader)

下载器负责获取页面数据并提供给引擎，而后提供给spider。

Spiders

Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。每个spider负责处理一个特定(或一些)网站。

Item Pipeline

Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库中)。

下载器中间件(Downloader middlewares)

下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。

<