爬虫scrapy学习

一、scrapy框架抓取网站，分为四个步骤：

1）创建一个scrapy项目

2）定义提取的Item容器

3）编写spider爬虫，并提取Item

4）编写Item Pipeline 存储提取到的Item

二、具体思维导图解释（参考自https://www.cnblogs.com/kongzhagen/p/6549053.html）

各部分组件：

• 引擎(Scrapy)
  用来处理整个系统的数据流, 触发事务(框架核心)
• 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
• 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)
• 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
• 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。
• 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。
• 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。
• 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

Scrapy运行流程如下：我觉得这个解释的比较清晰。

1.引擎从调度器取出一个URL链接，用于抓取。

2.调度器将其封装为一个Requests请求传给下载器

3.下载器把资源下载下来，在封装成响应包Response

4.爬虫接受Response,并parse解析

5.若解析出实体Item,则交给Pipeline实体管道进一步处理

6.若解析出URL，则发送给调度器等待处理。

7.重复上述操作