Python----Python爬虫(scrapy框架使用,Scarpy开发第一个爬虫)

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

  1. Spiders:定义爬虫逻辑和提取数据的规则。

  2. Engine:协调各个组件(Scheduler、Downloader、Item Pipeline)的工作,管理数据流。

  3. Scheduler:接收来自引擎的请求,将待爬取的 URL 排队。

  4. Downloader:下载指定的网页内容,返回给引擎。

  5. Spiders:解析下载的网页内容,提取数据。

  6. 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)

2.

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值