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:
在这里插入图片描述
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。
在这里插入图片描述
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:
在这里插入图片描述
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)。

已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 游动-白 设计师:白松林 返回首页