1 scrapy 简介
1.1 什么是爬虫?
爬虫相当于在互联网上爬行的蜘蛛,如果遇到需要的资源,那么它就会抓取下来(html内容);模拟浏览器快速访问页面内容。
1.2 浏览网页的过程中发生了什么?
例:浏览器输入http://www.baidu.com
- 1、根据配置的DNS获取www.baidu.com对应的主机ip;
- 2、根据端口号知道跟服务器的那个软件进行交互;
- 3、百度的服务器接收客户端请求;
- 4、给客户端主机一个响应(html内容)——html,css,js
- 5 、浏览器根据html内容解释值型,粘是出华丽的页面;
1.3 scrapy爬虫框架
scrapy是一个纯python实现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,用途非常广泛。
scrapy最吸引人的地方在于它是一个框架,任人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等,最新版本又提供了web2.0爬虫的支持。
1.4 scrapy爬虫框架优势
- 1) 用户只需要定制开发几个模块,就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片,非常方便。
- 2) srapy使用了TWisted异步网络框架来处理网络通讯,加快网页下载速度,不需要自己实现异步框架和多线程等,并且包含了各种中间件接口,灵活完成各种需求。
2 scrapy 构架图
- crapy 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。
- Spider(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)。
- Item Pipeline(管道):它负责处理