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.