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。 其可以应用在数据挖掘,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。
架构图
各模块介绍:
Engine 引擎
处理整个系统的数据流处理、触发事务,是整个框架的核心
Item 项目
它定义了爬取结果的数据结构,爬取的数据会被赋值成该Item 对象
Scheduler 调度器
接受引擎发过来的请求并将其加入队列中, 在引擎再次请求的时候将请求提供给引擎。
Downloader下载器
下载网页内容,并将网页内容返回给蜘蛛。
Spiders 蜘蛛
其内定义了爬取的逻辑和网页的解析规则,它主要负责解析响应并生成提取结果和新的请求。
Item Pipeline 项目管道
负责处理由蜘蛛从网页中抽取的项目,它的主要任务是清洗、验证和存储数据。
Downloader Middlewares 下载器中间件
位于引擎和下载器之间的钩子框架,主要处理引擎与下载器之间的请求及响应。
Spider Middlewares 蜘蛛中间件
位于引擎和蜘蛛之间的钩子框架,主要处理蜘蛛输入的响应和输出的结果及新的请求。
数据流
Scrapy中的数据流由引擎控制,数据流的过程如下。
- Engine首先打开一个网站,找到处理该网站的Spider,并向该Spider请求第一个要爬取的URL 。
- Engine从Spider中获取到第一个要爬取的URL,并通过Scheduler以Request的形式调度。
- Engine向Scheduler 请求下一个要爬取的URL。
- Scheduler返回下一个要爬取的URL给Engine,Engine将URL通过Downloader MiddJewares转发给Downloader下载。
- 一旦页面下载完毕,Downloader生成该页面的Response,并将其通过Downloader Middlewares发送给Engine。
- Engine从下载器中接收到Response,并将其通过Spider Middlewares 发送给Spider处理。
- Spider处理Response,并返回爬取到的Item及新的Request给Engine。
- Engine将Spider返回的Item给Item Pipeline,将新的Request给Schedul er。
- 重复第2--8步,直到Sch eduler中没有更多的Request , Engine关闭该网站,爬取结束。
通过多个组件的相互协作、不同组件完成工作的不同、组件对异步处理的支持,Scrapy最大限度地利用了网络带宽,大大提高了数据爬取和处理的效率。
项目架构
Scrapy框架和pyspider不同,它是通过命令行来创建项目的,代码的编写还是需要IDE 。项目创建之后,项目文件结构如下所示:
scrapy.cfg :它是Scrapy 项目的配置文件,其内定义了项目的配置文件路径、部署相关信息等内容。
items.py :它定义Item 数据结构,所有的Item 的定义都可以放这里。
pipelines.py :它定义Item Pipeline的实现,所有的Item Pipeline的实现都可以放这里。
settings.py :它定义项目的全局配置。
middlewares.py :它定义Spider Middlewares 和Downloader Middlewares 的实现。
spiders:其内包含一个个Spider 的实现,每个Spider 都有一个文件。