一、Scrapy==蜘蛛
Scrapy是我们熟知的蜘蛛爬虫框架,我们用蜘蛛来获取互联网上的各种信息,然后再对这些信息进行数据分析处理。所以说,Scrapy是学习大数据的入门技能。
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。蜘蛛作为网络爬虫,在网上到处或定向抓取网站网页的HTML数据。抓取网页的一般方法是,定义一个入口页面,然后一般一个页面会有其他页面的URL,于是从当前页面获取到这些URL加入到爬虫的抓取队列中,然后进入到新页面后再递归的进行上述的操作。
二、scrapy的组成
2.1 思维导图
2.2 基本组件
引擎(Scrapy Engine),负责管理整个系统,同时各种事件的触发也由其负责。
调度器(Scheduler),调度器。接收spider发送的request请求,放入队列中;取出队列中的request交由downloader去请求响应。
下载器(Downloader),将request的响应下载下来。
蜘蛛(Spiders),制订特定域名或网页的解析规则。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。
项目管道(Item Pipeline),负责处理由蜘蛛从网页中抽取的项目,他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares),位于Scrapy引擎和下载器之间的钩子框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
蜘蛛中间件(Spider Middlewares),介于Scrapy引擎和蜘蛛之间的钩子框架,主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middlewares),介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
三、工作机制
3.1 爬取流程
首先从初始URL开始,Scheduler会将其交给Downloader进行下载,下载之后会交给Spider进行分析,Spider分析出来的结果有两种:一种是需要进一步抓取的链接,例如之前分析的“下一页”的链接,这些东西会被传回Scheduler;另一种是需要保存的数据,它们则被送到Item Pipeline那里,那是对数据进行后期处理(详细分析、过滤、存储等)的地方。另外,在数据流动的通道里还可以安装各种中间件,进行必要的处理。
3.2 数据流程
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)。
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。
引擎向调度器请求下一个要爬取的URL。
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)。
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。
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。
Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
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。
(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。
3.3 项目流程
使用全局命令startproject创建项目,在/cgls下创建一个名为beautiful_album_spider的Scrapy项目。
[root@ cgls]# scrapy startproject beautiful_album_spider
使用全局命令genspider 创建spider,在/cgls/beautiful_album_spider下创建一个名为xiaohuar的spider项。
[root@ cgls]# scrapy genspider xiaohuar_spider xiaohuar.com
写spider文件,制订特定域名或网页的解析规则。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。
[root@ cgls]# vi /cgls/beautiful_album_spider/xiaohuar/spider/xiaohuar_spider.py
写Item文件,定制保存爬取到的数据的容器。
[root@ cgls]# vi /cgls/beautiful_album_spider/xiaohuar/items.py
写Pipeline文件,处理由蜘蛛从网页中抽取的项目,验证和存储数据。
[root@ cgls]# vi /cgls/beautiful_album_spider/xiaohuar/pipelines.py
写Setting文件,配置项目的基本设置。
[root@ cgls]# vi /cgls/beautiful_album_spider/xiaohuar/settings.py
写start_xiaohuar文件,便于开启爬虫。
[root@ cgls]# vi /cgls/beautiful_album_spider/start_xiaohuar.py
爬虫代码可参考scrapy爬校花网图片。
Scrapy的安装,请参考scrapy安装。