python爬虫框架——scrapy（1）scrapy爬虫框架介绍

导语：（python语言中存在众多的爬虫框架，本文及接下来的几篇都只介绍scrapy框架）
一：整理scrapy爬虫框架组件的各种知识，了解爬虫机制的原理
1.scrapy架构：

各个组件：
引擎(EGINE)
引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分.
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. 可以想像成一个URL的先级队列, 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(DOWLOADER)
用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的
爬虫(SPIDERS)
SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求
项目管道(ITEM PIPLINES)
在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response.
爬虫中间件(Spider Middlewares)
位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）

Scrapy 中的数据流由执行引擎控制，然后按以下方式进行：
1.引擎获取从蜘蛛抓取的初始请求。
2.引擎在调度程序中安排请求，并要求下一个请求进行爬网。
3.3.调度程序将下一个请求返回到引擎。
4.引擎将请求发送到下载器，通过下载器中间件（请参见 process_request（））。
5.下载完成后，下载器将生成响应（与该页面一起）并将其发送到引擎，通过下载器中间件。
6.引擎接收来自下载器的响应，并将其发送到蜘蛛进行处理，通过蜘蛛中间件（process_spider_input（））。
7.蜘蛛处理响应，并返回刮过的项目和新的请求（跟随）到引擎，通过蜘蛛中间件（process_spider_output（））。
8.引擎将处理的项目发送到项目管道，然后将已处理的请求发送到计划程序，并要求可能的下一个请求进行爬网。
9.该过程重复（从步骤 1），直到没有来自调度程序的请求。

模拟过程：
引擎：Hi！Spider, 你要处理哪一个网站？
2.Spider：老大要我处理xxxx.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xxxxxxx.com。
5.引擎：Hi！调度器，我这有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，你记录一下，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过了，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于需要跟进的URL），Hi！引擎，我这里有两个结果，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 ！管道我这儿有个item你帮我处理一下！调度器！这是需要跟进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全部信息。
14.管道“调度器：好的，现在就做！

2.安装scrapy框架（scrapy安装网上有很多资料，这里不再赘述）
windows系统下：
pip install scrapy
安装成功之后，在命令终端输入scrapy,提示类似如图，表示安装成功。

3.scrapy框架基本操作

新建一个scrapy项目
Scrapy startproject +项目名称
新建之后，打开有如下文件：

scrapy.cfg:配置文件，用于存储项目的配置信息。
minyan:项目的python模块，将会在这里应用代码。
Items.py:实体文件，用于定义项目的目标实体。
Middlewares.py：中间件文件，用于定义spider中间件。
Pipelines.py:管道文件，用于定义项目使用的管道。
Spiders:存储爬虫代码的目录。
settings.py:爬虫程序设置,主要是一些优先级设置,优先级越高,值越小。

创建爬虫：

scrapy genspider +爬虫名称+爬虫域名
例如：
scrapy genspider itcast ‘itcast.com’

运行爬虫：
scrapy crawl +爬虫名称

提取信息：

Xpath提可以极大的提高效率，而且不容易弄错。

保存文件：
通过管道，将爬到的数据传到管道，管道在保存到本地的文件。这种存储称为（持久化存储）。

python爬虫框架——scrapy（1）scrapy爬虫框架介绍相关推荐

最流行的python爬虫框架_Python最火爬虫框架Scrapy入门与实践
Scrapy框架简介Scrapy 是用 Python 实现的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. Scrapy 常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. 通常我 ...
python爬虫scrapy安装_Python爬虫:Scrapy框架的安装和基本使用
大家好,本篇文章我们来看一下强大的Python爬虫框架Scrapy.Scrapy是一个使用简单,功能强大的异步爬虫框架,我们先来看看他的安装. Scrapy的安装 Scrapy的安装是很麻烦的,对于一 ...
python的scrapy框架的安装_Python爬虫基础（四）--Scrapy框架的安装及介绍
Scrapy框架的介绍安装: pip3 install Scrapy 安装测试: cmd命令行界面,输入:scrapy -h 框架安装完成: scrapy框架: 分为五个模块+两个中间件(5+2结构 ...
linux scrapy 定时任务_2019Python学习教程（全套Python学习视频）：Scrapy爬虫框架入门...
Scrapy爬虫框架入门 Scrapy概述 Scrapy是Python开发的一个非常流行的网络爬虫框架,可以用来抓取Web站点并从页面中提取结构化的数据,被广泛的用于数据挖掘.数据监测和自动化测试等领 ...
Python基础知识回顾及scrapy框架爬虫基础
1.函数函数参数:必须默认关键可变函数种类:外部内部匿名 lambda 装饰函数:@语法糖函数总是要返回的 ,若没有return,None总是被返回 2.面向对象: 对象:已存在, ...
python爬虫抓取分页_Scrapy爬虫框架之Scrapy爬取分页数据（一）
Python应用场景 Scrapy 爬虫框架课程特色时间就是生命,浓缩才是精华 (4小时,完成了Scrapy爬虫必备知识点讲解) 课程体系完整 ( 应用场景.Scrapy体系结构.分页爬虫.整站爬 ...
Python：Pycharm如何使用scrapy框架做爬虫？
因为入门python以来一直使用pycharm,所以对着黑白的DOS不习惯,所以此次来实现使用pycharm进行实现使用scrapy框架 ①pip install scrapy(首先安装scrapy第 ...
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 ...
Python网络爬虫数据采集实战：Scrapy框架爬取QQ音乐存入MongoDB
通过前七章的学习,相信大家对整个爬虫有了一个比较全貌的了解 ,其中分别涉及四个案例:静态网页爬取.动态Ajax网页爬取.Selenium浏览器模拟爬取和Fillder今日头条app爬取,基本 ...
python学习（三）scrapy爬虫框架（二）——创建一个scrapy爬虫
在创建新的scrapy爬虫之前,我们需要先了解一下创建一个scrapy爬虫的基本步骤第一步:确定要爬取的数据以爬取豆瓣电影数据为例: 每部电影所要爬取的信息有: 片名:<头号玩家> 导 ...

python爬虫框架——scrapy（1）scrapy爬虫框架介绍

python爬虫框架——scrapy（1）scrapy爬虫框架介绍相关推荐

最新文章

热门文章