数据之路 - Python爬虫 - Scrapy框架

一、Scrapy框架入门

1.Scrapy框架介绍

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，榄块之间的榈合程度低，可扩展性极强，可以灵活完成各种需求。

• 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和新的请求。

• Item Pipeline：项目管道,负责处理由蜘蛛从网页中抽取的项目,它的主要任务是清洗、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请求第一个要爬取的URL。

2. Engine从Spider中获取到第一个要爬取的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DownloaderMiddJewares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DownloaderMiddlewares发送给Engine。

6. Engine从下载器中接收到l Response，并将其通过SpiderMiddlewares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ItemPipeline，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。

3.Scrapy入门

- 创建项目

# 项目文件可以直接用scrapy命令生成
scrapy startproject tutorial 　
# Scrapy部署时的配置文件　
scrapy.cfg  　
# 项目的模块， 需要从这里引入　　 
tutorial  　　　　 
__init__.py
# Items的定义，定义爬取的数据结构
items.py 　　　　　 
# Middlewares的定义，定义爬取时的中间件
middlewares.py  
# Pipelines的定义，定义数据管道  
pipelines.py  　
# 配置文件　 
settings.py  
# 放置Spiders的文件夹　　  
spiders  　　　　  
__init__.py

- 创建Spider

- 创建item

- 解析Response

- 使用