爬虫框架Scrapy框架的介绍 一看就明白
Scrapy功能非常强大，爬取效率高，相关扩展组件多，可配置和可扩展晨读非常高，它几乎可以应对所有反爬网站，是目前Python中使用最广泛的爬虫框架。Scrapy是一个基于Twisted的异步处理框架，是纯Python实现的爬虫框架，其架构清晰，模块之间的耦合程度低，可扩展性极强，可以灵活完成各种需求。我们只需要定制开发几个模块就可以轻松实现一个爬虫。
1.架构介绍
我们先了解一下Scrapy框架的机构，如下图所示
它可以分为如下的几个部分：
Engine：引擎，处理整个系统的数据流处理、触发事务，是整个框架的核心。
Item：项目，它定义了爬取结果的数据结构，爬取的数据会被赋值成该Item对象。
Scheduler：调度器，接受引擎发过来的请求并将其加入队列中，在引擎再次请求的时候将请求提供给引擎。
Downloader：下载器，下载网页内容，并将网页内容返回给蜘蛛。
Spiders：蜘蛛，其内定义了爬取的逻辑和网页的解析规则，它主要负责解析响应并生成提取结果合新的请求。
Item Pipeline：项目管道，负责处理由蜘蛛从网页中抽取的项目，它的主要任务式清洗、验证和存储数据。
Downloader Middlewares：下载器中间件，位于引擎和下载器之间的钩子框架，主要处理引擎与下载器之间的请求及响应。
Spider Middlewares：蜘蛛中间件，位于引擎和蜘蛛之间的钩子框架，主要处理蜘蛛输入的响应和输出的结果及新的请求。
2.数据流
Scrapy中的数据流由引擎控制，数据流的过程如下。
（1）Engine首先打开一个网站，找到处理该网站的Spider，并向该Spider请求第一个要爬去的URL。
（2）Engine从Spider中获得到第一个爬取的URL，并通过Scheduler以Request的形式调度。
（3）Engine向Scheduler请求下一个要爬取的URL。
（4）Scheduler返回下一个要爬取的URL给Engine，Engine将URL通过Downloader Middlewares转发给Downloader下载。
（5）一旦页面下载完毕，Downloader生成该页面的Response，并将其通过Downloader Middlewares发送给Engine。
（6）Engine从下载器中接收到Response，并将其通过Spider Middlewares发送给Spider处理。
（7）Spider处理Response，并返回爬取到的Item及新的Request给Engine。
（8）Engine将Spider返回的Item给Item Pipeline，将新的Request给Scheduler。
（9）重复第（2）步到第（8）步，直到Scheduler中没有更多的Request，Engine关闭该网站，爬取结束。
通过多个组件的相互协作、不同组件完成工作的不同、组件对异步处理的支持，Scrapy最大限度地利用了网络宽带，大大提高了数据爬取和处理的效率。
3.项目结构
Scrapy框架和Pyspider不同，它是通过命令行来创建项目的，代码的编写还是需要IDE。项目创建后，项目文件结构如下所示：
scrapy.cfgproject/__init__.pyitems.pypipelines.pysettings.pymiddlewares.pyspiders/__init__.pyspider1.pyspider2.py...这里各个文件的功能描述如下。
scrapy.cfg：它是Scrapy项目的配置文件，其内定义了项目的配置文件路径、部署相关信息等内容。
items.py：它定义Item数据结构，所有的Item的定义都可以放这里。
pipelines.py：它定义Item Pipeline的实现，所有的Item Pipeline的实现都可以放在这里。
settings.py：它定义项目的全局配置。
middlewares.py：它定义Spider Middlewares和Downloader Middlewares的实现。
Spiders：其内包含一个个Spider的实现，每个Spider都有一个文件。
最后，本文介绍了Scrapy框架的基本结构、数据流过程以及项目结构，后面讲详细的了解Scrapy的用法，感受其功能的强大之处。
爬虫框架Scrapy框架的介绍 一看就明白相关推荐
- Python爬虫之scrapy框架360全网图片爬取
Python爬虫之scrapy框架360全网图片爬取 在这里先祝贺大家程序员节快乐,在此我也有一个好消息送给大家,本人已开通了微信公众号,我会把资源放在公众号上,还请大家小手动一动,关注过微信公众号, ...
- Python爬虫之Scrapy框架爬虫实战
Python爬虫中Scrapy框架应用非常广泛,经常被人用于属于挖掘.检测以及自动化测试类项目,为啥说Scrapy框架作为半成品我们又该如何利用好呢 ?下面的实战案例值得大家看看. 目录: 1.Scr ...
- Python学习笔记——爬虫之Scrapy框架
目录 Scrapy 框架 Scrapy的安装介绍 Windows 安装方式 Ubuntu 需要9.10或以上版本安装方式 入门案例 启动Scrapy Shell Item Pipeline Spide ...
- Python3爬虫之Scrapy框架的下载器中间件
Python爬虫之Scrapy框架的下载器中间件 基本介绍 下载器中间键可以为我们设置多个代理ip与请求头,达到反反爬虫的目的 下面是scrapy为我们创建好的中间件的类 下面是中间件中的下载器函数, ...
- python爬虫之Scrapy框架的post请求和核心组件的工作 流程
python爬虫之Scrapy框架的post请求和核心组件的工作 流程 一 Scrapy的post请求的实现 在爬虫文件中的爬虫类继承了Spider父类中的start_urls,该方法就可以对star ...
- scrapy获取a标签的连接_python爬虫——基于scrapy框架爬取网易新闻内容
python爬虫--基于scrapy框架爬取网易新闻内容 1.需求[前期准备] 2.分析及代码实现(1)获取五大板块详情页url(2)解析每个板块(3)解析每个模块里的标题中详情页信息 点击此处,获取 ...
- 19. python爬虫——基于scrapy框架爬取网易新闻内容
python爬虫--基于scrapy框架爬取网易新闻内容 1.需求 [前期准备] 2.分析及代码实现 (1)获取五大板块详情页url (2)解析每个板块 (3)解析每个模块里的标题中详情页信息 1.需 ...
- python爬虫——用Scrapy框架爬取阳光电影的所有电影
python爬虫--用Scrapy框架爬取阳光电影的所有电影 1.附上效果图 2.阳光电影网址http://www.ygdy8.net/index.html 3.先写好开始的网址 name = 'yg ...
- 爬虫之Scrapy框架爬取彼岸壁纸案例分享
爬虫之Scrapy框架爬取彼岸壁纸案例分享 前段时间在网上看到有人爬取了彼岸壁纸的案例,由于爬取的图片较多,爬取速度感觉不快,所以就自己写了个Scrapy框架,个人觉得爬取速度快多了. 代码如下. 文 ...
- 14. python爬虫——基于scrapy框架爬取糗事百科上的段子内容
python爬虫--基于scrapy框架爬取糗事百科上的段子内容 1.需求 2.分析及实现 3.实现效果 4.进行持久化存储 (1)基于终端指令 (2)基于管道 [前置知识]python爬虫--scr ...
最新文章
- jquery autocomplete demo
- 网络设置计算机,怎么重置电脑网络设置
- 比较两个字符串是否相等
- 《黑客与画家》读后感：你对技术一无所知(一些金句)
- linux echo命令的-n、-e两个参数
- 事件 ID 6008问题
- FB/IB多代事务结构详解--对FB事务最好的讲解
- 天翼云从业认证课后习题（第一章和第二章）
- WebService C#开发/调用
- LeetCode 1124. 表现良好的最长时间段（单调栈/哈希）
- [codevs1262] 不要把球传我 数论+组合数学
- linux c普通用户怎么判断键盘是否按动_网络没问题，电脑却无法联网怎么办？win10无法联网搞定方式举例...
- RDD和DataFrame和Dataset比较
- Python3数据结构总结（列表list，元组tuple，集合set，字典dict，堆栈stack，队列queue和遍历技巧）
- 第二节：使用IDEA创建React APP 并启动
- selenium IDE Chrome下载安装与使用
- linux+usb串口驱动安装ch341ser,U7编程器USB转串口驱动程序CH341SER
- （二）动态白盒测试（含逻辑覆盖例子）
- 介绍5款非常棒的移动自动化测试工具
- 哈希的结构-MD系列