这篇文章才是学习scrapy高效爬虫框架的正确姿势

絮叨一下

Scrapy 是一套基于基于Twisted的异步处理框架，纯python实现的爬虫框架，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常方便

Scrapt五大基本构成

• Scrapy框架主要由五大组件组成，它们分别是调度器(Scheduler)、下载器(Downloader)、爬虫（Spider）和实体管道(Item
  Pipeline)、Scrapy引擎(Scrapy Engine)。下面我们分别介绍各个组件的作用。

• (1)、调度器(Scheduler):

调度器，说白了把它假设成为一个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。

• (2)、下载器(Downloader):

下载器，是所有组件中负担最大的，它用于高速地下载网络上的资源。Scrapy的下载器代码不会太复杂，但效率高，主要的原因是Scrapy下载器是建立在twisted这个高效的异步模型上的(其实整个框架都在建立在这个模型上的)。

• (3)、 爬虫（Spider）:

爬虫，是用户最关心的部份。用户定制自己的爬虫(通过定制正则表达式等语法)，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。

• (4)、 实体管道(Item Pipeline):

实体管道，用于处理爬虫(spider)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。

• (5)、Scrapy引擎(Scrapy Engine):

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。

如果还是不明白看一下csdn大佬整理的图

1.安装

• linux下安装：pip install scrapy

  安装一些依赖的文件sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
  如果报错：说error: command 'x86_64-linux-gnu-gcc' failed with exit objectstatus 1

  那就输入命令：sudo apt-get install python3.8-dev

• Windows安装：pip install scrapy

  安装一些依赖的文件pip install pypiwin32

2.新建项目

• 新建项目首先需要使用cd 切换进你想要存放的目录中然后输入：

  scrapy startproject 项目名
  

3.新建爬虫程序

• scrapy genspider 爬虫名 爬虫的域名 注意不可以使用跟项目名重名

4.项目目录结构

• items.py： 用来存放爬虫爬下来的数据的模型

    # 比如作者，以及内容
    import scrapy
    class ZonghengItem(scrapy.Item):
        name = scrapy.Field()
        time = scrapy.Field()
        type = scrapy.Field()
        introduction = scrapy.Field()
  

• middlewares.py： 用来存放各种中间件的文件

• pipelines.py： 将items的模型存储在本地磁盘中

  • 这里面有三个函数

    使用的时候需要取消掉settings.py中的

     ITEM_PIPELINES = {
           
     'qsbk.pipelines.QsbkPipeline': 300,
      }
    

      # 用来处理获取的item数据
      def process_item(self, item, spider