python爬虫学习_Scrapy框架1—框架流程、结构和一个简单的例子
框架图
-
Scrapy 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）
Scrapy运行流程：
-
引擎：Hi！Spider, 你要处理哪一个网站？ -
Spider：老大要我处理xxxx.com。 -
引擎：你把第一个需要处理的URL给我吧。 -
Spider：给你，第一个URL是xxxxxxx.com。 -
引擎：Hi！调度器，我这有request请求你帮我排序入队一下。 -
调度器：好的，正在处理你等一下。 -
引擎：Hi！调度器，把你处理好的request请求给我。 -
调度器：给你，这是我处理好的request -
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 -
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） -
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） -
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。 -
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。 -
管道``调度器：好的，现在就做！
Scrapy使用
1、安装环境scrapy环境
sudo pip install Scrapy2、创建scrapy文件夹
scrapy startproject myproject在我们的环境当中还要引入scrapy模块的。
3、创建之后的文件夹：
scrapy.cfg ：项目的配置文件
TestForSpider/ ：项目的Python模块，将会从这里引用代码
TestForSpider/items.py ：项目的目标文件
TestForSpider/pipelines.py ：项目的管道文件
TestForSpider/settings.py ：项目的设置文件
TestForSpider/spiders/ ：存储爬虫代码目录
4、写我们的scrapy代码
我们的爬虫数据放在spiders里面
# -*- coding: utf-8 -*-
import scrapy
from TestForScrapy.items import ItcastItem
class ItcastSpider(scrapy.Spider):
name = "itcast"
start_urls = [ # 另外一种写法，无需定义start_requests方法
'http://www.itcast.cn/channel/teacher.shtml',
]
def parse(self, response):
page = response.url.split("/")[-2]
# 根据上面的链接提取分页,如：/page/1/，提取到的就是：1
filename = 'teacher-%s.html' % page
# 拼接文件名，如果是第一页，最终文件名便是：mingyan-1.html
with open(filename, 'wb') as f:
# python文件操作，不多说了；
f.write(response.body)
5、运行爬虫
在terminal中要进入TestForSpider的目录下，执行
scrapy crawl itcast当出现：
则数据拉取成功