Python爬虫进阶一之爬虫框架概述

综述

爬虫入门以后，咱们有两条路能够走。

一个是继续深刻学习，以及关于设计模式的一些知识，强化Python相关知识，本身动手造轮子，继续为本身的爬虫增长分布式，多线程等功能扩展。另外一条路即是学习一些优秀的框架，先把这些框架用熟，能够确保可以应付一些基本的爬虫任务，也就是所谓的解决温饱问题，而后再深刻学习它的源码等知识，进一步强化。

就我的而言，前一种方法其实就是本身动手造轮子，前人其实已经有了一些比较好的框架，能够直接拿来用，可是为了本身可以研究得更加深刻和对爬虫有更全面的了解，本身动手去多作。后一种方法就是直接拿来前人已经写好的比较优秀的框架，拿来用好，首先确保能够完成你想要完成的任务，而后本身再深刻研究学习。第一种而言，本身探索的多，对爬虫的知识掌握会比较透彻。第二种，拿别人的来用，本身方便了，但是可能就会没有了深刻研究框架的心情，还有可能思路被束缚。

不过我的而言，我本身偏向后者。造轮子是不错，可是就算你造轮子，你这不也是在基础类库上造轮子么？能拿来用的就拿来用，学了框架的做用是确保本身能够知足一些爬虫需求，这是最基本的温饱问题。假若你一直在造轮子，到最后都没造出什么来，别人找你写个爬虫研究了这么长时间了都写不出来，岂不是有点得不偿失？因此，进阶爬虫我仍是建议学习一下框架，做为本身的几把武器。至少，咱们能够作到了，就像你拿了把枪上战场了，至少，你是能够打击敌人的，比你一直在磨刀好的多吧？

框架概述

博主接触了几个爬虫框架，其中比较好用的是 Scrapy 和PySpider。就我的而言，pyspider上手更简单，操做更加简便，由于它增长了 WEB 界面，写爬虫迅速，集成了phantomjs，能够用来抓取js渲染的页面。Scrapy自定义程度高，比 PySpider更底层一些，适合学习研究，须要学习的相关知识多，不过本身拿来研究分布式和多线程等等是很是合适的。

在这里博主会一一把本身的学习经验写出来与你们分享，但愿你们能够喜欢，也但愿能够给你们一些帮助。

PySpider

PySpider是binux作的一个爬虫架构的开源化实现。主要的功能需求是：

• 抓取、更新调度多站点的特定的页面
• 须要对页面进行结构化信息提取
• 灵活可扩展，稳定可监控

而这也是绝大多数python爬虫的需求 —— 定向抓取，结构化化解析。可是面对结构迥异的各类网站，单一的抓取模式并不必定能知足，灵活的抓取控制是必须的。为了达到这个目的，单纯的配置文件每每不够灵活，因而，经过脚本去控制抓取是最后的选择。
而去重调度，队列，抓取，异常处理，监控等功能做为框架，提供给抓取脚本，并保证灵活性。最后加上web的编辑调试环境，以及web任务监控，即成为了这套框架。

pyspider的设计基础是：以python脚本驱动的抓取环模型爬虫

• 经过python脚本进行结构化信息的提取，follow连接调度抓取控制，实现最大的灵活性
• 经过web化的脚本编写、调试环境。web展示调度状态
• 抓取环模型成熟稳定，模块间相互独立，经过消息队列链接，从单进程到多机分布式灵活拓展

pyspider的架构主要分为 scheduler（调度器）, fetcher（抓取器）, processor（脚本执行）：

• 各个组件间使用消息队列链接，除了scheduler是单点的，fetcher 和 processor 都是能够多实例分布式部署的。 scheduler 负责总体的调度控制
• 任务由 scheduler 发起调度，fetcher 抓取网页内容， processor 执行预先编写的python脚本，输出结果或产生新的提链任务（发往 scheduler），造成闭环。
• 每一个脚本能够灵活使用各类python库对页面进行解析，使用框架API控制下一步抓取动做，经过设置回调控制解析动做。

Scrapy

Scrapy是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。 能够应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来讲, 网络抓取 )所设计的， 也能够应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途普遍，能够用于数据挖掘、监测和自动化测试

Scrapy 使用了 Twisted 异步网络库来处理网络通信。总体架构大体以下

 

Scrapy主要包括了如下组件：

• 引擎(Scrapy): 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. 能够想像成一个URL（抓取网页的网址或者说是连接）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下载器是创建在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本身须要的信息, 即所谓的实体(Item)。用户也能够从中提取出连接,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、验证明体的有效性、清除不须要的信息。当页面被爬虫解析后，将被发送到项目管道，并通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，主要工做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。

Scrapy运行流程大概以下：

• 首先，引擎从调度器中取出一个连接(URL)用于接下来的抓取
• 引擎把URL封装成一个请求(Request)传给下载器，下载器把资源下载下来，并封装成应答包(Response)
• 而后，爬虫解析Response
• 如果解析出实体（Item）,则交给实体管道进行进一步的处理。
• 如果解析出的是连接（URL）,则把URL交给Scheduler等待抓取

结语

对这两个框架进行基本的介绍以后，接下来我会介绍这两个框架的安装以及框架的使用方法，但愿对你们有帮助。

转载：静觅 » Python爬虫进阶一之爬虫框架概述