本文介绍了Scrapy爬虫框架的基本结构，包括引擎、调度器、下载器、爬虫、项目管道、中间件等组件，以及爬虫运行流程。通过实际操作，创建Scrapy项目，设置items.py、pipelines、settings.py和spiders目录，然后分析目标网站并编写爬虫，定义Spider的name、start_urls和parse方法，最后运行爬虫查看Response。
scrapy是一个用于爬取网站数据，提取结构性数据的python应用框架。爬取的数据一般用于数据分析，数据处理，存储历史数据等。scrapy的整体架构大致如下：
主要包括了以下组件：
- 引擎(Scrapy)
- 用来处理整个系统的数据流, 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，
最低0.47元/天 解锁文章
扫一扫
1559
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
