文章目录

1 scrapy 简介
- 1.1 什么是爬虫？
- 1.2 浏览网页的过程中发生了什么？
- 1.3 scrapy爬虫框架
- 1.4 scrapy爬虫框架优势
2 scrapy 构架图
3 Scrapy构架流程
4 scrapy 运作过程
- 4.1 实现步骤
- - 4.1.1 工程创建
  - 4.1.2 创建爬虫
  - 4.1.3 生成文件
  - 4.1.4 运行爬虫
  - 4.1.5 列出所有爬虫
  - 4.1.6 获得配置信息
- 4.2 爬虫流程分析
5 Selenium八种元素定位方式
- 5.1 查看页面元素
- 5.2 元素定位
- - 5.2.1 id定位
  - 5.2.2 name 定位
  - 5.2.3 class定位
  - 5.2.4 tag定位
  - 5.2.5 link 定位
  - 5.2.6 partical_link定位
  - 5.2.7 xpath定位
  - 5.2.8 css定位

1 scrapy 简介

1.1 什么是爬虫？

爬虫相当于在互联网上爬行的蜘蛛，如果遇到需要的资源，那么它就会抓取下来（html内容）；模拟浏览器快速访问页面内容。

1.2 浏览网页的过程中发生了什么？

例：浏览器输入http://www.baidu.com

1、根据配置的DNS获取www.baidu.com对应的主机ip；
2、根据端口号知道跟服务器的那个软件进行交互；
3、百度的服务器接收客户端请求；
4、给客户端主机一个响应（html内容）——html，css，js
5 、浏览器根据html内容解释值型，粘是出华丽的页面；

1.3 scrapy爬虫框架

scrapy是一个纯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，用途非常广泛。
scrapy最吸引人的地方在于它是一个框架，任人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

1.4 scrapy爬虫框架优势

1）用户只需要定制开发几个模块，就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常方便。
2） srapy使用了TWisted异步网络框架来处理网络通讯，加快网页下载速度，不需要自己实现异步框架和多线程等，并且包含了各种中间件接口，灵活完成各种需求。

2 scrapy 构架图

crapy 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）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）。

3 Scrapy构架流程

代码写好，程序开始运行
1 引擎：Hi，Spider，你要处理哪个网站？
2 Spider：老大要我处理xxx.com。
3 引擎：你把第一个需要处理的URL给我吧。
4 Spider：给你，第一个URL是xxx.com。
5 引擎：HI！调度器，王这有request请求你帮我排序入队一下。
6 调度器：好的，正在处理你等一下。
7 引擎：HI！调度器，把你处理好的request请求给我。
8 调度器：给你，这是我处理好的request。
9 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。
10 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录以下，我们待会儿再下载）
11 引擎：hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理好了，你自己处理一下（注意！这儿responses默认是交给def parse（）这个函数处理的）
12 Spider：（处理完毕数据之后对需要跟进的URL），HI,引擎，王这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的item数据。
13 引擎：hi！管道，王这儿有个item你帮我处理一下！调度器！这是需要跟进的URL你帮我处理下，然后从第四步开始循环，直到获取完老大需要的全部信息。
14 管道‘’调度器：好的，现在就做！

4 scrapy 运作过程

4.1 实现步骤

4.1.1 工程创建

scrapy startproject xxx
cd xxx  #进入爬虫项目文件下
tree

4.1.2 创建爬虫

scrapy genspider xxx(爬虫名) xxx.com（爬取域）

4.1.3 生成文件

scrapy crawl xxx -o xxx.json(生成某种类型的文件)

4.1.4 运行爬虫

scrapy crawl xxx

4.1.5 列出所有爬虫

scrapy list

4.1.6 获得配置信息

scrapy setting[option]

4.2 爬虫流程分析

1 确定url地址；
2 获取页面信息；（urllib,requests）
3 解析页面提取所需要的数据；（正则表达式，bs4，xpath）
4 保存到本地（csv，json，pymysql，redis）
5 清洗数据（删除不必须的内容----正则表达式）；

5 Selenium八种元素定位方式

5.1 查看页面元素

打开网页，鼠标点击右键，在显示框中选择inspect，就可以看到整个页面的html代码，鼠标移动到页面中自己想要选择的位置，右侧相应内容的代码段会蓝色高亮显示。

5.2 元素定位

5.2.1 id定位

find_element_by_id()

5.2.2 name 定位

find_element_by_name()

5.2.3 class定位

find_element_by_class_name()

5.2.4 tag定位

find_element_by_tag_name()

5.2.5 link 定位

find_element_by_link_text()

5.2.6 partical_link定位

find_element_by_partical_link_name()

5.2.7 xpath定位

find_element_by_xpath()

5.2.8 css定位

find_element_by_css_selector()

scrapy爬虫框架及运行流程相关推荐

搜狗词库爬虫（2）：基础爬虫框架的运行流程
系列目录: 搜狗词库爬虫(1):基础爬虫架构和爬取词库分类项目Github地址:github.com/padluo/sogo- 各模块对应的内容如下: getCategory.py,提取词库分类ID ...
一、scrapy爬虫框架——概念作用和工作流程 scrapy的入门使用
scrapy的概念和流程学习目标: 了解 scrapy的概念了解 scrapy框架的作用掌握 scrapy框架的运行流程掌握 scrapy中每个模块的作用 1. scrapy的概念 Scrap ...
Python Scrapy爬虫框架实战应用
通过上一节<Python Scrapy爬虫框架详解>的学习,您已经对 Scrapy 框架有了一个初步的认识,比如它的组件构成,配置文件,以及工作流程.本节将通过一个的简单爬虫项目对 Scr ...
python scrapy框架抓取的图片路径打不开图片_Python使用Scrapy爬虫框架全站爬取图片并保存本地的实现代码...
大家可以在Github上clone全部源码. 基本上按照文档的流程走一遍就基本会用了. Step1: 在开始爬取之前,必须创建一个新的Scrapy项目. 进入打算存储代码的目录中,运行下列命令: sc ...
崔老哥python scrapy爬虫框架入门
Scrapy 爬虫框架入门案例详解 Scrapy入门创建项目创建Spider 创建Item 解析Response 使用Item 后续Request 保存到文件使用Item Pipeline 源代 ...
python的scrapy爬虫模块间进行传参_小猪的Python学习之旅 —— 4.Scrapy爬虫框架初体验...
小猪的Python学习之旅 -- 4.Scrapy爬虫框架初体验 Python 引言: 经过前面两节的学习,我们学会了使用urllib去模拟请求,使用 Beautiful Soup和正则表达式来处理网 ...
Scrapy爬虫框架视频学习
文章目录 Scrapy爬虫框架 1. 框架架构 1.1 Scrapy框架介绍 1.2 Scrapy架构图 1.3 Scrapy框架模块功能 1.4 Scrapy的运作流程(容易理解的介绍) 2. Sc ...
scrapy爬虫框架教程（二）-- 爬取豆瓣电影
前言经过上一篇教程我们已经大致了解了Scrapy的基本情况,并写了一个简单的小demo.这次我会以爬取豆瓣电影TOP250为例进一步为大家讲解一个完整爬虫的流程. 工具和环境语言:python 2 ...
Scrapy爬虫框架学习_intermediate
一.Scrapy爬虫框架介绍 Scrapy是功能强大的非常快速的网络爬虫框架,是非常重要的python第三方库.scrapy不是一个函数功能库,而是一个爬虫框架. 1.1 Scrapy库的安装 pip ...

scrapy爬虫框架及运行流程