欢迎关注”生信修炼手册”!
框架是为了解决特定的业务场景而开发的一套高质量代码,通过框架避免了重复造轮子的低效模式,可以更加专注于具体业务相关的代码。在python中,scrapy就是一个主流的爬虫框架,可以通过如下方式进行安装
pip install scrapy
scrapy框架的架构如下
核心是Scrapy引擎,其他各部分的功能如下
1. Spiders,主要有两个功能,提供需要解析的url链接,即Requests, 同时负责解析html页面,从其中提取需要的信息,提取出来的标准化信息称之为Item;
2. Scheduler,称之为调度器,负责对多个Requests任务进行调度
3. Downloader Middlewares, 下载中间件,可以对Requests请求进行封装,典型的应用是添加User-Agent信息,
4. Downloader,负责下载,下载对应的Requests,从服务器获取响应信息,即Responses
5. Item PIpeline,Spiders将提取出标准的Item信息,交给Item PIpeline进行处理,比如去重复等操作
下面通过一个小的实例来看下该框架的使用,通过如下代码可以新建一个爬虫项目
python -m scrapy startproject hello_world
在hello_world目录下,包含了如下以及文件
其中的setting.py 文件保存了爬虫相关的设置信息,最常见的用法是对以下选项进行设置
ROBOTSTXT_OBEY = False
这样爬虫就可以无视网站的roborts.txt文件,继续爬取。项目启动之后,我们首先要做的就是在spiders目录下,新建一个文件,编写我们的爬虫代码,文件的名字自己定义,内容示例如下
import