Scrapy 豆瓣搜索页爬虫

Scrapy 豆瓣搜索页爬虫

使用scrapy爬虫框架对豆瓣图书搜索结果进行爬取

Scrapy

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

它提供了多种类型爬虫的基类，如BaseSpider、CrawlSpider等

主要组件

Scrapy框架主要由五大组件组成

1. 调度器(Scheduler)
   调度器，说白了把它假设成为一个URL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，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

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(Item)
   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

数据流(Data flow)

Scrapy中的数据流由执行引擎控制，其过程如下:

1. 引擎打开一个网站，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)
2. 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度
3. 引擎向调度器请求下一个要爬取的URL
4. 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(request方向)转发给下载器(Downloader)
5. 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(response方向)发送给引擎
6. 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理
7. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎
8. 引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器
9. (从第二步)重复直到调度器中没有更多地request，引擎关闭该网站

简单使用

创建项目 scrapy startproject xxx
创建爬虫 scrapy genspider xxx（爬虫名） xxx.com （爬取域）
生成文件 scrapy crawl xxx -o xxx.json (生成json/csv文件)
运行爬虫 scrapy crawl XXX
列出所有爬虫 scrapy list

scrapy项目目录结构

通过命令scrapy startproject tutorial创建一个新的项目tutorial

将会创建包含下列内容的 tutorial 目录

tutorial/						
    scrapy.cfg