说明:
本文适合scrapy框架的入门学习。
一、认识scrapy框架
开发python爬虫有很多种方式,从程序的复杂程度的角度来说,可以分为:爬虫项目和爬虫文件。
scrapy更适合做爬虫项目,urllib库、requests库更适合写爬虫文件(做项目时,效率不是太好,并且稳定性也不是太好)。
如图:这是scrapy框架的流程图。
-
Spiders(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器)
-
Engine(引擎):负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
-
Scheduler(调度器):它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
-
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理。
-
ItemPipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方。
-
Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。
-
Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)
简单地理解就是,有要爬去的任务在Scheduler(调度器)排队等待爬取,然后requests请求Internet,spider在Downloader(下载器)里得到响应,最后通过管道保存到相应位置。
二、开始创建爬虫
可以在cmd下,或在创建的项目文件里创建run.bat,然后输入下面的代码。