Scrapy入门
1、下载Scrapy
pip install Scrapy
2、 架构介绍
![在这里插入图片描述](https://img-blog.csdnimg.cn/7b4298830ade4d5aa2143b967ba3020e.png#pic_center)
- Scrapy Engine:引擎。处理整个系统的数据流处理、触发事务,是整个框架的核心
- Item:项目。它定义了爬取结果的数据结构、爬取的数据会被赋值成该Item对象
- Scheduler:调度器。用于接受Engine发过来的url,并将其加入到队列中。在Engine需要的时候,将url提供给Engine
- Downloader:下载器。下载网页内容,并将网页内容返回给Spiders
- Spiders:蜘蛛。定义了爬取的逻辑和网页的解析规则,它主要负责解析响应,并生成提取结果和新的url
- Item Pipeline:项目管道。负责处理由Spiders从网页中抽取的项目,它的主要任务是清洗、验证和存储数据
- Downloader Middlewares:下载器中间件。位于引擎和下载器之间的钩子框架,主要处理引擎与下载器之间的请求及响应
- Spider Middlewares:Spider中间件。位于引擎和Spider之间的钩子框架,主要处理向Spider输入的响应和输出的结果及新的请求
3、执行流程
- Engine首先打开一个网站,找到处理该网站的Spider,并向该Spider请求第一个要爬取的url
- Engine从Spider中获取到url之后,通过Scheduler将url以Request的形式调度
- Engine向Scheduler请求下一个要爬取的url
- Scheduler返回下一个url给Engine,Engine将url通过Downloader Middlewares转发给Downloader下载
- 一旦页面下载完毕,Downloader生成该页面的Requests,并将其通过Downloader Middlewares转发给Engine
- Engine从下载器中接收到Respone,并将其通过Spider Middlewares发送给Spider处理
- Spider处理Response,并返回提取到的Item及新的Requet给Scheduler
- Engine将Spider返回的Item给Item Pipeline,将新的Request给Scheduler
- 重复2~7,直到Scheduler中没有更多的Request,Engine关闭该网站,爬取结束
4、项目结构
scrapy.cfg
project/
__init__.py
items.py
pipelines.py
settings.py
middlewares.py
spliders/
__init__.py
spider1.py
spider2.py
...
- scrapy.cfg:Scrapy项目的配置文件,其内定义了项目的配置文件路径、部署相关信息等内容
- items.py:定义Item数据结构,存放所有的Item的定义
- pipelines.py:定义Item Pipeline的实现,存放了所有的Item Pipeline
- settings.py:项目的全局配置
- middlewares.py:定义Spider Middlewares和Downloader Middlewares的实现
- spiders:包含一个个Spider的实现