python爬虫之scrapy

scrapy框架

        Scrapy，Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。
        Scrapy是一个为遍历爬行网站、分解获取数据而设计的应用程序框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

scrapy整体框架结构

scrapy整体框架结构图，如下所示：

由上图所知，scrapy主要由以下5大组件构成

• Spiders（爬虫）
  用户可在此处定制自己的爬虫，从网页中提取需要的信息，即所谓的实体（item），返回给pipeline进行持久化操作；用户也可提取出链接，提交给调度器，继续爬取。
• Schedule（调度器）
  一个URL（抓取网页的网址或者说是链接）的优先队列，由它来决定下一个要抓取的网址是 什么，同时去除重复的网址（不做无用功）。用户可以自己的需求定制调度器。
• Item pipeline（实体管道）
  用于处理爬虫提取的实体。主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。例如将其写入数据库中这些操作可以放在此处进行
• Downloader（下载器）
  下载器，主要用于下载请求的页面，并将爬取到的页面返回给spiders进行处理
• Scrapy Engine（Scrapy 引擎）
  Scrapy引擎是整个框架的核心.它用来控制调试器、下载器、爬虫。实际上，引擎相当于计算机的CPU,它控制着整个流程。

Scrapy 流程

1.引擎从调度器中取出一个url 用于接下来得爬取
2.将上述取出的url封装为一个Request请求传给下载器
3.下载器下载的网页信息，并将相应的信息返回给爬虫
4.爬虫对网页进行相应的处理，将需要的数据封装为实体，返回给pipeline；如果是链接则将链接提交给调度器，等待爬取
5.pipeline对数据进行持久化

scrapy.Spider

1.自定义类

class JobboleSpider(scrapy.Spider): 
		name = jobbole		#自定义名称
		allowed_domains = ['blog.jobbole.com']	#服务器域名
		start_urls = ['http://blog.jobbole.com/all-posts/']  #首次请求的url

继承Spider基类，在自定义类中需要注意几个函数：

• def start_requests(self):
  该方法将读取start_urls内的地址，并为每一个地址生成一个Request对象，交给Scrapy下载器
• def parse(self):
  默认的Request对象回调函数，处理返回的response。

大部分情况下都只重载这两个函数，然后通过这两个函数引申出一些其他操作，例如在parse 函数中：(记录404的url)

def __init__(self):
	self.fail_urls = []
def parse(self):
	if response.status == 404:
		self.fail_urls.append(response.url)

爬虫实例

        在安装python后，最好创建一个虚拟环境进行操作，这样你在这个环境内随意操作都不会对其他产生影响。具体如何创建虚拟环境可以自行百度进行查看。
        在安装包时，可以 -i https://pypi.douban.com/simple/ 链接一些国内的镜像源加快下载速度
        在初次爬取网站的时候，最好从简单的静态网站开始爬，然后慢慢爬些有难度的网站，例如知乎，淘宝。
        具体实例网上很多，也有很多视频讲解，可跟着视频敲一遍，就可以了。