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
- 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