项目创建
首先在终端创建项目
win4000为项目名
$ scrapy startproject win4000
该命令将创建下述项目目录。
项目预览
查看项目目录
-
win4000
-
win4000
-
spiders
-
__init__.py
-
__init__.py
-
items.py
-
middlewares.py
-
pipelines.py
-
settings.py
-
scrapy.cfg
创建爬虫文件
进入spiders文件夹,根据模板文件创建爬虫文件
$ cd win4000/win4000/spiders
pictures 为 爬虫名
$ scrapy genspider pictures “win4000.com”
项目组件介绍
-
引擎(Scrapy):核心组件,处理系统的数据流处理,触发事务。
-
调度器(Scheduler):用来接受引擎发出的请求, 压入队列中, 并在引擎再次请求的时候返回。由URL组成的优先队列, 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Spiders。
-
爬虫(Spiders):用于从特定的网页中提取自己需要的信息, 并用于构建实体(Item),也可以从中提取出链接,让Scrapy继续抓取下一个页面
-
管道(Pipeline):负责处理Spiders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Spiders解析后,将被发送到项目管道。
-
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Spiders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。
Scrapy爬虫流程介绍
Scrapy基本爬取流程可以描述为UR2IM(URL-Request-Response-Item-More URL):
-
引擎从调度器中取出一个链接(URL)用于接下来的抓取;
-
引擎把URL封装成一个请求(Request)传给下载器;
-
下载器把资源下载下来,并封装成应答包(Response);
-
爬虫解析Response;
-
解析出实体(Item),则交给实体管道进行进一步的处理;
-
解析出的是链接(URL),则把URL交给调度器等待抓取。
页面结构分析
- 首先查看目标页面,可以看到包含多个主题,选取感兴趣主题,本项目以“风景”为例(作为练习,也可以通过简单修改,来爬取所有模块内图片)。
- 在“风景”分类页面,可以看到每页包含多个专题&