python爬虫框架——scrapy（1）scrapy爬虫框架介绍

导语：（python语言中存在众多的爬虫框架，本文及接下来的几篇都只介绍scrapy框架）
一：整理scrapy爬虫框架组件的各种知识，了解爬虫机制的原理
1.scrapy架构：

各个组件：
引擎(EGINE)
引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分.
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的先级队列, 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(DOWLOADER)
用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的
爬虫(SPIDERS)
SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求
项目管道(ITEM PIPLINES)
在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response.
爬虫中间件(Spider Middlewares)
位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）

Scrapy 中的数据流由执行引擎控制，然后按以下方式进行：
1.引擎获取从蜘蛛抓取的初始请求。
2.引擎在调度程序中安排请求，并要求下一个请求进行爬网。
3.3.调度程序将下一个请求返回到引擎。
4.引擎将请求发送到下载器，通过下载器中间件（请参见 process_request（））。
5.下载完成后，下载器将生成响应（与该页面一起）并将其发送到引擎，通过下载器中间件。
6.引擎接收来自下载器的响应，并将其发送到蜘蛛进行处理，通过蜘蛛中间件（process_spider_input（））。
7.蜘蛛处理响应，并返回刮过的项目和新的请求（跟随）到引擎，通过蜘蛛中间件（process_spider_output（））。
8.引擎将处理的项目发送到项目管道，然后将已处理的请求发送到计划程序，并要求可能的下一个请求进行爬网。
9.该过程重复（从步骤 1），直到没有来自调度程序的请求。

模拟过程：
引擎：Hi！Spider, 你要处理哪一个网站？
2.Spider：老大要我处理xxxx.com。
3.引擎：你把第一个需要处理的URL给我吧。
4.Spider：给你，第一个URL是xxxxxxx.com。
5.引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
6.调度器：好的，正在处理你等一下。
7.引擎：Hi！调度器，把你处理好的request请求给我。
8.调度器：给你，这是我处理好的request
9.引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求
10.下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
11.引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）
12.Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
13.引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
14.管道“调度器：好的，现在就做！

2.安装scrapy框架（scrapy安装网上有很多资料，这里不再赘述）
windows系统下：
pip install scrapy
安装成功之后，在命令终端输入scrapy,提示类似如图，表示安装成功。

3.scrapy框架基本操作

新建一个scrapy项目
Scrapy startproject +项目名称
新建之后，打开有如下文件：

scrapy.cfg:配置文件，用于存储项目的配置信息。
minyan:项目的python模块，将会在这里应用代码。
Items.py:实体文件，用于定义项目的目标实体。
Middlewares.py：中间件文件，用于定义spider中间件。
Pipelines.py:管道文件，用于定义项目使用的管道。
Spiders:存储爬虫代码的目录。
settings.py:爬虫程序设置,主要是一些优先级设置,优先级越高,值越小。

创建爬虫：

scrapy genspider +爬虫名称+爬虫域名
例如：
scrapy genspider itcast ‘itcast.com’

运行爬虫：
scrapy crawl +爬虫名称

提取信息：

Xpath提可以极大的提高效率，而且不容易弄错。

保存文件：
通过管道，将爬到的数据传到管道，管道在保存到本地的文件。这种存储称为（持久化存储）。