Scrapy

Scrapy的简介:

• Scrapy是用纯Python实现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，用途非常广泛。

• 框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。

• Scrapy 使用了 Twisted['twɪstɪd] 异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

Scrapy的安装:

sudo pip3 install Scrapy

• Scrapy框架官方网址: http://doc.scrapy.org/en/latest

• Scrapy中文维护站点: http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Scrapy 架构图:

Scrapy.png

• 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)

创建Scrapy项目：

• 创建名为"projectname"的爬虫项目:

scrapy startproject projectName

• 进入spiders文件创建爬虫文件:

scrapy genspider name domainName

• **通用爬虫

scrapy genspider -t crawl name domainName

Scrapy项目文件介绍:

Scrapy目录.png

Scrapy运行流程大概如下：

1. 首先下载器下载request回执的html等的response
2. 然后下载器传给爬虫解析
3. 接着爬虫解析后交给调度器过滤，查重等等
4. 最后交给管道，进行爬取数据的处理