python爬取链家网实例——scrapy框架爬取-链家网的租房信息

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。