一、Scrapy简介
Scrapy是由Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
二、Scrapy运行架构图
1、引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)。
2、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。
3、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)。
4、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。
5、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。
6、下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
7、爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
8、调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
运行流程
1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来,并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体(Item),则交给实体管道进行进一步的处理
6. 解析出的是链接(URL),则把URL交给调度器等待抓取
三、Scrapy安装
1、 安装python环境
Python环境略
2、 安装Scrapy环境
因为Scrapy安装时依赖其它包,所以在安装之前需要先安装相应的其它包。其它包离线下载地址(http://www.lfd.uci.edu/~gohlke/pythonlibs/)。依赖图如下:
- 安装lxml包
方法一:在线安装
命令:pip install lxml
方法二:离线安装,第一步:下载lxml对应版本(python版本和系统版本)文件,第二步:通过命令安装。
命令:pip install 文件名
- 安装twisted包
方法一:在线安装
命令:pip install twisted
方法二:离线安装,第一步:下载twisted对应版本(python版本和系统版本)文件,第二步:通过命令安装。
命令:pip install 文件名
备注:如果在安装各个包的时候还提示有问题,在根据提示信息安装对应的包即可。
3、 验证Scrapy环境
命令:scrapy --version
四、Scrapy之Demo
1、 创建Scrapy爬虫项目
1.CMD命令: scrapy startproject baqiwudi
2.系统自动生成的文件结构如下图:
2、 创建Scrapy爬虫
1.进入刚创建项目的目录,执行创建命令
CMD命令: scrapy genspider -t basic helloWord www.baidu.com
2.系统自动生成1个爬虫文件如下图:
3、 编写Scrapy爬虫
1.打开上步的爬虫文件(helloWord.py)
2.重写parse方法如下。
因为是helloword所以直接将返回的response直接输出。代码如下:
4、 运行Scrapy爬虫
1.进入和爬虫文件同级目录,执行运行命令
CMD命令:scrapy crawl helloWord (备注:”helloWord为爬虫中定义的名字,切记切记”)
2.查看结果
五、 总结
该事例只是一个简单的demo,完全体现不出来Scrapy的强大之处,Scrapy的强大个人认为还有以下几点需要学习。
1. Response.xpath:解析html数据包中的数据方式。
2. 抓取到的信息持久化。
3. 登录后抓取数据信息。
4. ……
PS:小弟不才,略知一二,欢迎大家关注、评论、转发。