scrapy框架实现网络爬虫

1、简介

网络爬虫可以自动抓取 web 上的数据，并且分析其结构， 将感兴趣的部分进行保存。

Scrapy 是个健壮（robust）的网络框架，它可以从各种数据源中抓取数据。 Scrapy 已经发展多年，能够稳定而高效的抓取大量数据，其结构是基于事件的。

2、scrapy特点

Scrapy 能够识别残缺的 HTML（并不少见）。

Scrapy 有活跃的社区（StackOverflow等）。

Scrapy 在快速成长，有越来越多的高质量功能。

3、scrapy shell命令：是常用的调试方法

scrapy shell http://news.sina.com.cn 
response.body 
response.body[:200] 
fetch(“http://www.baidu.com”) 
shelp()
response.body

4.框架结构和工作原理

• scrapy基于事件的机制，利用twisted的设计实现了非阻塞的异步操作。这相比于传统的阻塞式请求，极大的提高了CPU的使用率，以及爬取效率。

• 可拓展，插件丰富，配置简单。

• 解析方便易用，scrapy封装了xpath等解析器，提供了更方便更高级的selector构造器，可有效的处理破损的HTML代码和编码

5.数据流过程

• 引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。

• 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。

• 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)转发给下载器。

• 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发送。

• 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。

• Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。

• 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。

• (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

 Request 和 Response 是 HTTP 协议的术语，分别代表 HTTP请求 和 HTTP响应 。Scrapy框架中的 Request 类 和 Response 类分别是对 HTTP请求 和 HTTP响应的封装  Response 对象包含获取的网页内容，这些内容一般是 Scrapy进行提取和分析的起点。