认识Scrapy框架
- Scrapy概述
- Scrapy框架安装流程
- Scrapy项目架构
- Scrapy常见指令
- Scrapy项目创建(PyCharm)
# Scrapy概述
'''
开发Python爬虫方式很多，从程序的复杂程度角度说，可分为：爬虫项目和爬虫文件
Python的urllib模块一般用于写爬虫文件，大型项目为了提高开发效率一般用Scrapy框架。
'''
# Scrapy框架安装流程
参考文章：
Mac环境下使用pycharm成功安装Scrapy爬虫框架
# Scrapy项目架构
项目框架结构图：
———— mySpider
|
|———— mySpider/ #项目的Python模块(核心目录)，将会从这里引用代码
| |———— __init__.py #初始化文件
| |———— items.py #定义项目的爬取目标文件
| |———— middlewares.py #中间件，用于扩展Scrapy功能
| |———— pipelines.py #项目的管道文件，其中可创建多个管道类
| |———— settings.py #项目的设置文件
| |———— spiders/ #存储爬虫文件的目录
| |
| |———— __init__.py #初始化文件
| |———— myspider.py #爬虫，建项目时不建爬虫文件文件，需自己创建
| |———— ...
|
|———— scrapy.cfg #项目配置文件，无需修改
项目框架结构图如上：
1）scrapy.cfg 框架的基本设置
2）settings.py 用户的相关全局设置
3）spiders 用户自己实现的spider文件夹，主要放我们的爬虫文件
4）items.py 数据条目，里边写要保留的字段 就是爬到的那些数据要存
5）pipelines 管道，主要用文件储存
6）middlewares.py 中间件，用于扩展Scrapy功能
项目一次执行流程：
items.py(获取保留字段)->spiders爬虫文件(具体逻辑实现)->middlewares.py(代理反扒)->目标网址(目标资源)->pipelines.py(存储文件)
组件说明：
- Spiders(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)
- 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
- ItemPipeline(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）
框架执行顺序：
- SPIDERS的yeild将request发送给ENGIN
- ENGINE对request不做任何处理发送给SCHEDULER
- SCHEDULER( url调度器)，生成request交给ENGIN
- ENGINE拿到request，通过MIDDLEWARE进行层层过滤发送给DOWNLOADER
- DOWNLOADER在网上获取到response数据之后，又经过MIDDLEWARE进行层层过滤发送给ENGIN
- ENGINE获取到response数据之后，返回给SPIDERS，SPIDERS的parse()方法对获取到的response数据进行处理，解析出items或者requests
- 将解析出来的items或者requests发送给ENGIN
- ENGIN获取到items或者requests，将items发送给ITEMPIPELINES，将requests发送给SCHEDULER
另一种数据流执行过程方式说明：
- 引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
- 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
- 引擎向调度器请求下一个要爬取的URL。
- 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
- 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。
- 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
- Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
- 引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。
- (从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。
注意：只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）
白话版
1.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！
参考文章：
PyCharm创建scrapy项目
Scrapy框架流程图解析
Scrapy架构图（工作原理）
# Scrapy常见指令
'''
这里的命令分为全局的命令和项目的命令，全局的命令表示可以在任何地方使用，而项目的命令只能在项目目录下使用
全局的命令有：
startproject
genspider
settings
runspider
shell
fetch
view
version
项目命令有：
crawl
check
list
edit
parse
bench
'''
# 创建一个新项目
scrapy startproject myprojec
# 在新项目中创建一个新的spider文件
scrapy genspider mydomain mydomain.com
注意：mydomain为spider文件名，mydomain.com为爬取网站域名(对于http://www.baidu.com说明：http:协议名，www:主机名，网站名举例：baidu.com)
# 运行spider项目中的爬虫
scrapy crawl spidername
# 运行独立的爬虫文件(不在spiders文件中，而是与核心目录并列的爬虫文件)
scrapy runspider spidername
# 检查代码是否有错误
scrapy check
# 列出项目里面所有spider文件名称
scrapy list
# scrapy fetch url地址
该命令会通过scrapy downloader 讲网页的源代码下载下来并显示出来
常用参数：
--nolog 不打印日志
--headers 打印响应头信息
--no-redirect 不做跳转
# fetch 将网页内容下载下来，然后在终端打印当前返回的内容，相当于 request 和 urllib 方法：
scrapy fetch http://www.baidu.com
# fetch --nolog 只输出源代码
scrapy fetch --nolog http://www.baidu.com
# fetch --nolog --headers 输出响应头
scrapy fetch --nolog --headers http://www.baidu.com
# --nolog --no--redirect 禁止重定向
scrapy fetch --nolog --no--redirect http://www.baidu.com
# 网页document内容下载下来，并且在浏览器显示出来
scrapy view http://www.taobao.com
注意：因为现在很多网站的数据都是通过ajax请求来加载的，这个时候直接通过requests请求是无法获取我们想要的数据，所以这个view命令可以帮助我们很好的判断
# 运行spider：
scrapy runspider spider_file.py
# 查看机器对于爬虫的性能
scrapy bench
# 使用爬虫文件获取某个网址数据
scrapy parse --spider=爬虫文件名 网址
scrapy parse --spider=
参考文章：
Scrapy框架的命令行详解【转】
scrapy 命令行基本用法
# Scrapy项目创建(PyCharm)
# 创建爬虫
scrapy genspider test "lab.scrapyd.cn"
# genspider：表示创建一个爬虫，默认为scrapy.Spider类
# test：表示爬虫名，与爬虫代码里的name参数一致
# "lab.scrapyd.cn"：表示允许爬虫爬取的域范围
# 爬虫文件
# -*- coding: utf-8 -*-
import scrapy
class TestSpider(scrapy.Spider):
name = 'test' #爬虫的名字
allowed_domains = ['lab.scrapyd.cn'] #爬虫的域名
start_urls = ['http://lab.scrapyd.cn/'] #爬虫的初始url入口
def parse(self, response): #默认的回调处理函数
#passs
print("========1=1=1=1========")
print(response) # http://lab.scrapyd.cn/
print("=======2=2=2=2==========")
data = response.body
print(data)
print("========3=3=3=3=========")
# 执行爬虫
scrapy crawl test
# crawl：表示启动一个scrapy爬虫
# test：表示爬虫名
