Scrapy理解(一)
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。 可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。
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。
一、Scrapy请求流程
下图显示了Scrapy体系结构及其组件的概述,以及系统内部发生的数据流的概述(由红色箭头显示)。
1、引擎从爬行器获取要爬行的初始请求。
2、引擎在调度器中调度请求,并请求爬行下一个请求。
3、调度器将下一个请求返回给引擎。
4、引擎通过 Downloader 中间件将请求发送给 Downloader(请参阅process_request()
)。
5、一旦页面下载完成,下载器就会生成一个响应(使用该页面)并将其发送到引擎,通过下载器中间件(请参阅process_response()
)。
6、引擎接收来自下载器的响应,并通过Spider中间件将其发送给 Spider 进行处理(请参见process_spider_input()
)。
7、爬行器处理响应,并通过爬行器中间件(请参阅process_spider_output()
)将抓取的项和新请求(随后)返回给引擎。
8、引擎将处理过的项发送到管道,然后将处理过的请求发送到调度器,并请求可能的下一个要爬行的请求。
9、流程重复(从步骤1开始),直到调度程序不再发出请求。
二、Scrapy命令
• bench Run quick benchmark test (测试爬⾍能⼒)
• check Check spider contracts (检查错误)
• crawl Run a spider
• edit Edit spider
• fetch Fetch a URL using the Scrapy downloader
• genspider Generate new spider using pre-defifined templates
• list List available spiders
• parse Parse URL (using its spider) and print the results (eg: scrapy parse “http://www.dytt8.net”)
• runspider Run a self-contained spider (without creating a project)
• settings Get settings values (eg:scrapy settings --get=ITEM_PIPELINES)
• shell Interactive scraping console (scrapy交互模式)
• startproject Create new project
• version Print Scrapy version
• view Open URL in browser, as seen by Scrapy
三、Scrapy组件
- 引擎(Scrapy): 用来处理整个系统的数据流处理, 触发事务(框架核心)
- 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. 可以想像成一个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
- 下载器(Downloader): 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy 下载器是建立在twisted这个高效的异步模型上的)
- 爬虫(Spiders): 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
- 项目管道(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,主要工作是处理蜘蛛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,从 Scrapy 引擎发送到调度的请求和响应。