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
- 引擎(Scrapy Engine):用来处理整个系统的数据流处理,触发事务。
- 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。
- 下载器(Downloader):用来下载网页内容,并将网页内容返回给爬虫(Spiders)。
- 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。
- 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。
- 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。
- 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。
- 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