Python高级爬虫框架Scrapy简介

Scrapy 框架

 

• Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途很是普遍。

• 框架的力量，用户只须要定制开发几个模块就能够轻松的实现一个爬虫，用来抓取网页内容以及各类图片，很是之方便。

• Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通信，能够加快咱们的下载速度，不用本身去实现异步框架，而且包含了各类中间件接口，能够灵活的完成各类需求。

 

Scrapy架构图(绿线是数据流向)：

 

 

• Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通信，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，并按照必定的方式进行整理排列，入队，当引擎须要时，交还给引擎。

• Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的全部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）：它负责处理全部Responses,从中分析提取数据，获取Item字段须要的数据，并将须要跟进的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）：你能够看成是一个能够自定义扩展下载功能的组件。

• Spider Middlewares（Spider中间件）：你能够理解为是一个能够自定扩展和操做引擎和Spider中间通讯的功能组件（好比进入Spider的Responses;和从Spider出去的Requests）

 

若是你在学习Python的过程当中碰见了不少疑问和难题，能够加-q-u-n   227 -435-450里面有软件视频资料免费

Scrapy的运做流程

代码写好，程序开始运行...

 

• 引擎：Hi！Spider, 你要处理哪个网站？

• Spider：老大要我处理xxxx.com。

• 引擎：你把第一个须要处理的URL给我吧。

• Spider：给你，第一个URL是xxxxxxx.com。

• 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

• 调度器：好的，正在处理你等一下。

• 引擎：Hi！调度器，把你处理好的request请求给我。

• 调度器：给你，这是我处理好的request

• 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求

• 下载器：好的！给你，这是下载好的东西。（若是失败：sorry，这个request下载失败了。而后引擎告诉调度器，这个request下载失败了，你记录一下，咱们待会儿再下载）

• 引擎：Hi！Spider，这是下载好的东西，而且已经按照老大的下载中间件处理过了，你本身处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）

• Spider：（处理完毕数据以后对于须要跟进的URL），Hi！引擎，我这里有两个结果，这个是我须要跟进的URL，还有这个是我获取到的Item数据。

• 引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是须要跟进URL你帮我处理下。而后从第四步开始循环，直到获取完老大须要所有信息。

• 管道``调度器：好的，如今就作！

 

注意！只有当调度器中不存在任何request了，整个程序才会中止，（也就是说，对于下载失败的URL，Scrapy也会从新下载。）

制做 Scrapy 爬虫 一共须要4步：

 

• 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目

• 明确目标 （编写items.py）：明确你想要抓取的目标

• 制做爬虫 （spiders/xxspider.py）：制做爬虫开始爬取网页

• 存储内容 （pipelines.py）：设计管道存储爬取内容