爬虫学习笔记-scrapy框架介绍

优势

批量爬取数据
高效率

架构图

各模块的功能

1，Scrapy Engine（引擎）：Scrapy框架的核心部分。负责在Spider和ItemPipeline、Downloader、Scheduler中间通信、传递数据等。
2，Spider（爬虫）：发送需要爬取的链接给引擎，最后引擎把其他模块请求回来的数据再发送给爬虫，爬虫就去解析想要的数据。这个部分由我们自己写，因为我们爬取的对象是我们自己决定的
3，Scheduler（调度器）：负责接收引擎发送过来的请求，并按照一定的方式进行排列和整理，负责调度请求的顺序等。
4，Downloader（下载器）：负责接收引擎传送过来的下载请求，然后去网络上下载对应的数据再交还给引擎。
5，Item Pipeline（管道）：负责将Spider（爬虫）传递过来的数据进行保存。
6，Downloader Middlewares（下载中间件）：可以扩展下载器和引擎之间通信功能的中间件。
Spider Middlewares（Spider中间件）：可以扩展引擎和爬虫之间通信功能的中间件。

中文官方文档

项目创建

进入cmd，进入到你想创建的目录，然后输入以下命令

scrapy startproject [项目名称]

然后得到以下语句，表示创建成功

项目文件介绍

1，items.py：用来存放爬虫爬取下来数据的模型。
2，middlewares.py：用来存放各种中间件的文件。
3，pipelines.py：用来将items的模型存储到本地磁盘中。
4，settings.py：本爬虫的一些配置信息（比如请求头、多久发送一次请求、ip代理池等）。
5，scrapy.cfg：项目的配置文件。
6，spiders包：以后所有的爬虫，都是存放到这个里面。

使用命令创建一个爬虫

scrapy genspider qsbk "qiushibaike.com"

创建了一个名字叫做qsbk的爬虫，并且能爬取的网页只会限制在qiushibaike.com这个域名下。

注意，要进去项目文件夹里才能写这个命令

爬虫文件启动命令

scrapy crawl 爬虫文件名

环境进入命令

workon crawler-env