Scrapy快速入门

Scrapy安装和学习文档

1.安装：通过pip install scrapy即可安装。
2.Scrapy官方文档：http://doc.scrapy.org/en/latest
3.Scrapy中文文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

注意：

在ubuntu上安装scrapy之前，需要先安装以下依赖： sudo apt-get install python3-dev
build-essential python3-pip libxml2-dev libxslt1-dev zlib1g-dev
libffi-dev libssl-dev，然后再通过pip install scrapy安装。

创建项目

要使用Scrapy框架创建项目，需要通过命令来创建。首先进入到你想把这个项目存放的目录。然后使用以下命令创建：

创建爬虫项目命令：scrapy startproject [项目名称]

1.目录结构介绍：

1. items.py：用来存放爬虫爬取下来数据的模型。
2. middlewares.py：用来存放各种中间件的文件。
3. pipelines.py：用来将items的模型存储到本地磁盘中。
4. settings.py：本爬虫的一些配置信息（比如请求头、多久发送一次请求、ip代理池等）。
5. scrapy.cfg：项目的配置文件。
6. spiders包：以后所有的爬虫，都是存放到这个里面。

2.创建爬虫命令：

scrapy gensipder 爬虫名字 “爬虫网址”

3.创建爬虫后，首先修改settings.py代码：

1.ROBOTSTXT_OBEY设置为False。默认是True。即遵守机器协议，那么在爬虫的时候，scrapy首先去找robots.txt文件，如果没有找到。则直接停止爬取。
2.DEFAULT_REQUEST_HEADERS添加User-Agent。这个也是告诉服务器，我这个请求是一个正常的请求，不是一个爬虫。

4.怎么运行scrapy项目

运行scrapy项目。需要在终端，进入项目所在的路径，然后scrapy crawl [爬虫名字]即可运行指定的爬虫。

5.Scrapy架构图：

Scrapy框架模块功能介绍：

1.Scrapy Engine（引擎）：Scrapy框架的核心部分。负责在Spider和ItemPipeline、Downloader、Scheduler中间通信、传递数据等。

2.Spider（爬虫）：发送需要爬取的链接给引擎，最后引擎把其他模块请求回来的数据再发送给爬虫，爬虫就去解析想要的数据。这个部分是我们开发者自己写的，因为要爬取哪些链接，页面中的哪些数据是我们需要的，都是由程序员自己决定。

3.Scheduler（调度器）：负责接收引擎发送过来的请求，并按照一定的方式进行排列和整理，负责调度请求的顺序等。

4.Downloader（下载器）：负责接收引擎传过来的下载请求，然后去网络上下载对应的数据再交还给引擎。 Item

5.Pipeline（管道）：负责将Spider（爬虫）传递过来的数据进行保存。具体保存在哪里，应该看开发者自己的需求。 Downloader

6.Middlewares（下载中间件）：可以扩展下载器和引擎之间通信功能的中间件。 Spider

7.Middlewares（Spider中间件）：可以扩展引擎和爬虫之间通信功能的中间件。