python爬虫scrapy框架教程_Python爬虫教程-30-Scrapy 爬虫框架介绍

从本篇开始学习 Scrapy 爬虫框架

Python爬虫教程-30-Scrapy 爬虫框架介绍

框架：框架就是对于相同的相似的部分，代码做到不出错，而我们就可以将注意力放到我们自己的部分了

常见爬虫框架：

scrapy

pyspider

crawley

Scrapy 是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中

Scrapy 的安装

可以直接在 Pycharm 进行安装

【PyCharm】>【file】>【settings】>【Project Interpreter】>【+】 >【scrapy】>【install】

具体操作截图：

点击左下角 install 静静等待

测试 Scrapy 是否安装成功

进入当前所在的环境

输入 scrapy 命令

截图：

这里就说明安装成功l

Scrapy 概述

包含各个部件

ScrapyEngine：神经中枢，大脑，核心

Scheduler 调度器：负责处理请求，引擎发来的 request 请求，调度器需要处理，然后交换引擎

Downloader 下载器：把引擎发来的 requests 发出请求，得到 response

Spider 爬虫：负责把下载器得到的网页/结果进行分解，分解成数据 + 链接

ItemPipeline 管道：详细处理 Item

DownloaderMiddleware 下载中间件：自定义下载的功能扩展组件

SpiderMiddleware 爬虫中间件：对 spider 进行功能扩展

数据流图：

绿色箭头是数据的流向

由 Spider 开始 Requests, Requests, Responses, Items

爬虫项目大致流程

1.新建项目：scrapy startproject xxx项目名

2.明确需要爬取的目标/产品：编写 item.py

3.制作爬虫：地址 spider/xxspider.py 负责分解，提取下载的数据

4.存储内容：pipelines.py

模块介绍

ItemPipeline

对应 pipelines 文件

爬虫提取出数据存入 item 后，item 中保存的数据需要进一步处理，比如清洗，去虫，存储等

Pipeline 需要处理 process_item 函数

process_item

spider 提取出来的 item 作为参数传入，同时传入的还有 spider

此方法必须实现

必须返回一个 Item 对象，被丢弃的 item 不会被之后的 pipeline

_ init _：构造函数

进行一些必要的参数初始化

open_spider(spider)：

spider 对象对开启的时候调用

close_spider(spider)：

当 spider 对象被关闭的时候调用

Spider

对应的是文件夹 spider 下的文件

_ init _：初始化爬虫名称，start _urls 列表

start_requests：生成 Requests 对象交给 Scrapy 下载并返回 response

parse：根据返回的 response 解析出相应的 item，item 自动进入 pipeline：如果需要，解析 url，url自动交给 requests 模块，一直循环下去

start_requests：此方法尽能被调用一次，读取 start _urls 内容并启动循环过程

name：设置爬虫名称

start_urls：设置开始第一批爬取的 url

allow_domains：spider 允许去爬的域名列表

start_request(self)：只被调用一次

parse：检测编码

log：日志记录

中间件（DownloaderMiddlewares）

什么是中间件？

中间件是处于引擎和下载器中间的一层组件，可以有多个

参照上面的流程图，我们把中间件理解成成一个通道，简单说，就是在请求/响应等传输的时候，在过程中设一个检查哨，例如：

1.身份的伪装： UserAgent，我们伪装身份，不是在开始请求的时候就设置好，而是在请求的过程中，设置中间件，当检测到发送请求的时候，拦下请求头，修改 UserAgent 值

2.筛选响应数据：我们最开始得到的数据，是整个页面，假设某个操作，需要我们过滤掉所有图片，我们就可以在响应的过程中，设置一个中间件

比较抽象，可能不是很好理解，但是过程是其实很简单的

在 middlewares 文件中

需要在 settings 中设置以是生效

一般一个中间件完成一项功能

必须实现以下一个或者多个方法

process_request (self, request, spider)

在请求的过程中被调用

必须返回 None 或 Response 或 Request 或 raise IgnoreRequest

如果返回 None：scrapy 将继续处理 request

如果返回 Request：scrapy 会停止调用 process_request 并冲洗调度返回的 request

如果返回 Response：scrapy 将不会调用其他的 process_request 或者 process _exception，直接将该 response 作为结果返回，同时会调用 process _response

process_response (self, request, spider)

每次返回结果的时候自动调用

- 本笔记不允许任何个人和组织转载