Scrapy的安装介绍

Scrapy框架官方网址：http://doc.scrapy.org/en/latest

 Windows 安装方式

•      Python 2 / 3

•      pio install Twisted-17.9.0-cp35-cp35m-win_amd64.whl

•      升级pip版本：pip install --upgrade pip

•      经过pip 安装 Scrapy 框架pip install scrapy

•      经过pip 安装 pypiwin32

Linux安装

•      Python 2 / 3

•      安装非Python的依赖 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev

•      经过pip 安装 Scrapy 框架 sudo pip install scrapy

•       

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（Queue），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）

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