前言 |
- 实验环境:Anaconda3-5.0.1;
- Python版本:3.6;
- OS:win10;
- 完整代码:完整示例;
一、Scrapy简介 |
What is Scrapy?
Scrapy 是一个爬虫框架,为了爬取网站数据,提取结构性数据而编写。 可应用在包括数据挖掘,信息处理或存储历史数据等领域。
Scrapy,即Scraping data with Python。Scrapy 使用异步网络库Twisted来处理网络通讯,架构清晰,并且包含了各种中间件接口,满足不同年龄段不同人群的个性化需求哈。
Scrapy 架构
框架内容,不准备专业搞这个或面试就不用记了,看看过了就ok了
先上经典高清无码大图
- 引擎(Scrapy Engine)
负责组件之间数据的流转,它实现了并行化,类似于管道系统; - 调度器(Scheduler)
接收requests,让它们老实在这里排队,以便后面下载器处理,requests中大部分都是url,体积较小,可想,即使有很多请求,也是没有关系的哈 - 下载器(Downloader)
下载器负责处理requests,抓取网页,并传递给引擎,之后抓取结果返回给spider;下载器是scrapy框架性能的中最重要的一环,机制复杂,总之,它限制了并发数,有管道长度的延迟;下载器的能力受限于CONCURRENT_REQUESTS*设置。 - 爬虫中间件(Spider Middlewares)
位于引擎和Spider之间,处理抓取器的输入和输出;当你想在spiders产生的Items到达Item Pipeline之前或response到达spider之前做一些处理,就用它; - 爬虫(Spiders) ♥♥♥
这部分是用户编写的可定制化的部分,负责解析response,产生items和url;它对Scrapy框架性能没啥影响,不是瓶颈哈; - 项目管道(Item Pipeline) ♥♥♥
负责处理spider产生的item;典型用途:清洗,验证,持久化等;Spider对每个Request可能产生几百个items,只有CONCURRENT_ITEMS会被并行处理;注意,当使用pipelines连接数据库时,pipelines的默认值是100,此时向数据库导入数据就会造成瓶颈问题了,因为items太多啊 - 下载器中间件(Downloader Middlewares) ♥♥
位于下载器和引擎之间,处理传送到下载器的requests和传送到引擎的response;可以想象,当你要在requests到达下载器之前,或者,responses到达爬虫之前做一些预处理,那就要用这个玩意了ÿ