twisted python_Python爬虫Scrapy框架之Hello Word

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。