Scrapy框架

Scrapy是一个为了爬取网站数据，提取数据而编写的应用框架，爬虫的三步：获取网页，解析网页，存储网页都整合成了这个爬虫框架

Scrapy框架主要由五大组件组成，它们分别是调度器(Scheduler)、下载器(Downloader)、爬虫（Spider）和实体管道(Item Pipeline)、Scrapy引擎(Scrapy Engine)。下面我们分别介绍各个组件的作用。

(1)、调度器(Scheduler):

调度器，说白了把它假设成为一个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（不做无用功）。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(其实整个框架都在建立在这个模型上的)。

(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。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。

创建一个Scrapy项目

在开始爬取前，必须创建一个新的Scrapy项目。在cmd中进入一个自定义目录，例如
cd c:\users\aaa\desktop
scrapy startproject blogSpider

blogSpider是项目名称
目录结构
blogSpider/
	scrapy.cfg
	blogSpider/
		__init__.py
		items.py  #定义需要保存的字段
		pipelines.py #对应管道组件，用来存储数据
		settings.py  #项目的设置文件
		spiders/	 #对应爬虫器，用来解析网页，提取数据
			__init__.py

在开始爬虫前，需要定义爬虫的目标字段，例如，需要获取www.baidu.com中所有文章的标题，链接，以及文章内容，打开items.py，在BlogspiderItem类输入以下需要的字段：

import scrapy
class BlogspiderItem(scrapy.Item):
	title = scrapy.Filed()
	link = scrapy.Filed()
	content = scrapy.Filed()
	

这里的scrapy.item类，类型为scrap.Field的类属性来定义一个Item 。item 有点像python里的dict字典

获取博客 网页并保存

在cmd的当前目录下
scrapy genspider adc www.baidu.com
在blogSpider/spider 创建了一个adc.py的文件，定义了名为adc的爬虫，并制定了爬取的范围www.baidu.com
打开adc.py文件，可以看到默认的代码如下：

import scrapy
class adcSpider(scrapy.Spider)：
	name = "adc"
	allowed_domains = ["www.baidu.com"]
	start_urls = ["http://www.baidu.com/?]
	def parse(self,response):
		passs
**创建爬虫器必须要继承scrapy.Spider类**

除了在cmd中创建之外，也可以自己创建adc.py文件
name: 爬虫器唯一的名字，不同的爬虫不能使用相同的名字
allow_domains=[]: 是搜索的域名范围，规定爬虫只会爬出这个域名下的网页
start_urls: 爬虫器在启动时会爬取的url列表
parse():爬虫器的一个方法，获取到爬虫的下载response,之后解析网页
接下来，修改parse()获取网页并保存在本地

def parse(self,response):
	print(response.text)
	filename = "index.html"
	with open(filename,"w",enconding = "utf-8") as f:
	f.wirte(response.text)

然后在cmd里的bliogSpider目录下执行
scrapy crawl adc
上述代码中的adc就是本项目之前定义的名字。运行完成后，如果打印的日志里出现[scrapy.core.engine] INFO:Closing spider(finished),那么代表了执行完成。进入文件夹，可以看到当前文件加出现了 index,html文件，那么这就是爬取页面的源代码