一、Scrapy的介绍
Scrapy 是一个用于抓取网站和提取结构化数据的应用程序框架,可 用于各种有用的应用程序,如数据挖掘、信息处理或历史存档。
尽管 Scrapy 最初是为网络抓取而设计的,但它也可用于使用 API提取数据或用作通用网络爬虫。
Scrapy的优势
可以容易构建大规模的爬虫项目
内置re、xpath、css选择器
可以自动调整爬行速度
开源和免费的网络爬虫框架
可以快速导出数据文件: JSON,CSV和XML
可以自动方式从网页中提取数据(自己编写规则)
Scrapy很容易扩展,快速和功能强大
这是一个跨平台应用程序框架(在Windows,Linux,Mac OS)
Scrapy请求调度和异步处理
Spiders:定义爬虫逻辑和提取数据的规则。
Engine:协调各个组件(Scheduler、Downloader、Item Pipeline)的工作,管理数据流。
Scheduler:接收来自引擎的请求,将待爬取的 URL 排队。
Downloader:下载指定的网页内容,返回给引擎。
Spiders:解析下载的网页内容,提取数据。
Item Pipeline:处理、清洗和存储提取到的数据。
引擎(engine)
用来处理整个系统的数据流处理, 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
二、Scarpy开发第一个爬虫
2.1.安装
pip install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple
2.2、创建Scrapy项目
scrapy startproject scrapy01(project_name)