Scrapy入门--爬取cnblogs文章

前言
  1. 实验环境:Anaconda3-5.0.1;
  2. Python版本:3.6;
  3. OS:win10;
  4. 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
这里写图片描述

  • 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
  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要使用分布式scrapy-redis进行爬取豆瓣电影top250,需要进行以下步骤: 1. 安装ScrapyScrapy-Redis 首先需要安装ScrapyScrapy-Redis,可以使用以下命令进行安装: ``` pip install scrapy pip install scrapy-redis ``` 2. 配置Redis数据库 配置Redis数据库,用于存储爬虫的请求队列和爬取结果。可以在本地搭建一个Redis服务器,也可以使用云服务提供商提供的Redis服务。 3. 创建Scrapy项目 使用命令行工具创建Scrapy项目: ``` scrapy startproject douban_top250 ``` 4. 配置Scrapy-Redis 在settings.py文件中添加以下配置信息: ``` # 开启Redis调度器 SCHEDULER = "scrapy_redis.scheduler.Scheduler" # 去重过滤器,使用Redis数据库进行去重 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" # 将爬取到的数据存储到Redis数据库中 ITEM_PIPELINES = { "scrapy_redis.pipelines.RedisPipeline": 300 } # Redis数据库连接配置 REDIS_HOST = 'localhost' REDIS_PORT = 6379 ``` 5. 创建Spider 在spiders目录下创建一个名为douban.py的Spider文件,编写爬取代码,例如: ``` from scrapy_redis.spiders import RedisSpider class DoubanSpider(RedisSpider): name = 'douban' allowed_domains = ['movie.douban.com'] redis_key = 'douban:start_urls' def parse(self, response): # 爬取代码 ``` 6. 启动爬虫 在命令行中启动爬虫: ``` scrapy crawl douban ``` 爬虫会自动将请求放入Redis数据库中,多个爬虫节点可以同时从Redis数据库中获取请求进行爬取,实现分布式爬取

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值