scrapy框架简介及抓取流程
Scrapy简介
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。
ScrapyCrawl则是在Scrapy基础上进一步处理数据的爬虫框架
Scrapy执行流程图
Scrapy主要包括了以下组件:
引擎(Scrapy): 用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler): 用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回.
可以想像成一个URL(抓取网页的网址或者说是链接)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蜘蛛(Scrapy下载器是建立在
twisted这个高效的异步模型上的)
爬虫(Spiders): 爬虫是主要干活的, 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
项目管道(Pipeline): 负责处理爬虫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。
当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
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,主要工作是处理蜘蛛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运行流程:
1,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)。
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(请求(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(返回(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
Scrapy 常用命令
srapy startproject xxx 创建爬虫项目
scrapy crawl spider_name 启动爬虫
scrapy runspider spider_file.py 在为创建项目的情况下,运行一个编写在Python文件中的spider
scrapy genspider [-t template] <name> <domain> 在当前项目中创建spider
scrapy list 列出所有爬虫