1. Scrapy介绍
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。Scrapy使用Twisted异步网络库处理网络通信,架构清晰,并且包含了各种中间件接口,可以灵活地完成各种要求。 Scrapy 整体架构如下图:
Scrapy组件:
引擎(Scrapy Engine)
负责控制数据流在系统中所有组件中流动,并在相应动作发生时触发事件。
调度器(Scheduler)
调度器从引擎接受request并将他们入队,以便之后引擎请求他们时提供给引擎。
下载器(Downloader)
下载器负责获取页面数据并提供给引擎,而后提供给spider。
爬虫(Spiders)
Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。