scrapy爬虫的搭建过程（理论篇）

最新推荐文章于 2021-04-05 21:55:38 发布

Kosmoo

最新推荐文章于 2021-04-05 21:55:38 发布

阅读量4.2k

点赞数

文章标签： scrapy python scrapy scrapy原理 scrapy框架

本文链接：https://blog.csdn.net/zwq912318834/article/details/79280526

版权

本文介绍了Scrapy爬虫的搭建过程，包括环境配置、框架原理、运行流程和代码生成。Scrapy是一个Python爬虫框架，利用Twisted进行异步网络通信。文章详细讲解了Scrapy Engine、Scheduler、Downloader、Spider、Item Pipeline和中间件的工作原理，以及爬虫从启动到数据处理的完整步骤。

摘要由CSDN通过智能技术生成

scrapy爬虫的搭建过程（理论篇）

1. 概述

Scrapy是一个纯Python实现的，为了爬取网站数据、提取结构化数据而编写的应用框架，用途非常广泛。只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页的内容以及各种图片，非常方便。
Scrapy 使用了 Twisted （其主要对手是Tornado）异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。
scrapy官方文档中文版： http://scrapy-chs.readthedocs.io/zh_CN/latest/
环境安装：http://blog.csdn.net/zwq912318834/article/details/77925220
一个很好的测试网站：https://httpbin.org/

2. 环境

系统：win7
Scrapy 1.4.0
mongodb v3.2
python 3.6.1

3. 原理

3.1. scrapy框架图

这里写图片描述

绿色箭头：数据流方向。
蓝色框框：需要实现的部分。
Scrapy 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Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.
Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares（Spider中间件