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。