[Python]Python学习之爬虫框架Scrapy

前言

前年学过一点Python爬虫和数据可视化，但是很快就入门到放弃。时隔一年后觉得有必要整理下，可以大概了解下原理。

Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的开源应用框架。 其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy主要组件

1. 引擎（Scrapy Engine）：用来处理整个系统的数据流处理，触发事务。
2. 调度器(Scheduler):用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。可以决定下载器下一步要下载的网址并去除重复的网址。
3. 下载器(Downloader)：用来下载网页内容，并将网页内容返回给爬虫（Spiders）。
4. 爬虫(Spiders)：从特定的网页中提取出需要的信息。可以用它来制定特定网页的解析规则，提取特定的实体（Item）或URL链接。每一个Spider负责一个或多个特定的网站。
5. 项目管道(Item Pipeline)：负责处理爬虫从网页中抽取的实体，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。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
6. 下载器中间件(Downloader Middlewares)：位于Scrapy引擎和下载器之间的子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
7. 爬虫中间件(Spider Middlewares)：介于Scrapy引擎和爬虫之间的框架，主要工作是处理爬虫的响应输入和请求输出。
8. 调度中间件(Scheduler Middewares)：介于Scrapy引擎和调度之间的中间件，处理从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程

（1）引擎打开一个域名，指定Spider来处理这个域名，并让Spider获取第一个要爬取的URL。
（2）引擎从Spider中获取第一个要爬取的URL，并在调度器以Request请求调度。
（3）引擎向调度器请求下一个要爬取的URL。
（4）调度返回下一个要爬取的URL给引擎，引擎通过下载中间件将URL发送到下载器。
（5）当网页下载完毕后，下载器生成一个该网页的Response响应，并将其通过下载中间件发送给引擎。
（6）引擎从下载器接收到Response响应，并通过Spider中间发送给Spider处理。
（7）Spider处理Response响应，并返回爬取到Item和新的Request请求给引擎。
（8）引擎将爬取到的Item给Item Pipeline，将新的Request请求发送给调度器。
（9）重复（2）以后的操作，直到调度器中没有新的Request请求，引擎断开与该域名的链接。

Scrapy提供特性

• HTML, XML源数据 选择及提取 的内置支持

• 提供了一系列在spider之间共享的可复用的过滤器(即 Item Loaders)，对智能处理爬取数据提供了内置支持。

• 通过 feed导出 提供了多格式(JSON、CSV、XML)，多存储后端(FTP、S3、本地文件系统)的内置支持

• 提供了media pipeline，可以 自动下载 爬取到的数据中的图片(或者其他资源)。

• 高扩展性。您可以通过使用 signals ，设计好的API(中间件, extensions, pipelines)来定制实现您的功能。

• 内置的中间件及扩展为下列功能提供了支持:
  cookies and session 处理

  • HTTP 压缩
  • HTTP 认证
  • HTTP 缓存
  • user-agent模拟
  • robots.txt
  • 爬取深度限制

• 针对非英语语系中不标准或者错误的编码声明, 提供了自动检测以及健壮的编码支持。

• 支持根据模板生成爬虫。在加速爬虫创建的同时，保持在大型项目中的代码更为一致。详细内容请参阅 genspider 命令。

• 针对多爬虫下性能评估、失败检测，提供了可扩展的 状态收集工具 。

• 提供 交互式shell终端 , 为您测试XPath表达式，编写和调试爬虫提供了极大的方便

• 提供 System service, 简化在生产环境的部署及运行

• 内置 Web service, 使您可以监视及控制您的机器

• 内置 Telnet终端 ，通过在Scrapy进程中钩入Python终端，使您可以查看并且调试爬虫

• Logging 为您在爬取过程中捕捉错误提供了方便

• 支持 Sitemaps 爬取

• 具有缓存的DNS解析器