直接上图(爬虫架构图)
① Scrapy Engine(引擎)
引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分
② Scheduler(调度器)
调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎
③ Downloader(下载器)
下载器负责获取页面数据并提供给引擎，而后提供给spider
④ Spiders(爬虫文件)
Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每 个spider负责处理一个特定(或一些)网站
⑤ Item Pipeline(管道)
Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数 据库中)
⑥ Downloader middlewares(下载器中间件)
下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的 response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能
⑦ Spider middlewares(爬虫中间件)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出 (items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能
构架流程如下
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
简单粗暴的说就是:
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
我个人喜欢用通用爬虫,所以下面是我对通用爬虫的一些小结
通用爬虫：为了全站爬取
如何创建爬虫项目:
- scrapy startproject 项目名称
- scrapy genspider -t crawl 爬虫名称 域
rules规则属性的参数:是一个元祖,可以放多个Rule对象
创建Rule:
LinkExtractor:设定提取规则
callback:设置回调函数
follwer:是否跟进
LinkExtractor属性的每个方法
allow:一般跟一个正则表达式,表示提取的url
deny:同样是跟一个正则表达式,符合正则表达式的连接,我们不提取(优先级比allow高)
allowed_domains:提取的连接,必须在我设置的域下
deny_domains:同样是设置提取连接时,一定不能提取deny_domains设置的域下
restrict_xpaths:当提取连接的时候,我们可以定位到某些标签,提取标签下,符合规则的标签,遵循xpath语法
tags:可以指定要提取的哪些标签
attrs:可以指定提取标签的属性
restrict_css:当提取连接的时候,我们可以定位到某些标签,提取标签下,符合规则的标签,遵循css语法
strip:去掉空格
callback='':回调
process_links:设置一个函数,根据正则获取url,可以在回调函数中获取到
process_request:设置一个函数,可以在回调方法中拦截所有根据正则提取到的qequest对象
注意
- 设置回调的时候一定不能重写parse方法
- 要获取起始url的响应结果,必须重写parse_start_url
- 在设置Rule对象的时候,如果没有callback回调参数,默认表示跟进
什么情况下会用到通用爬虫?
当我们提取数据的目标网站很有规律，并且各个模块很有规律，我们可以使用通用爬虫
菜鸟总结,大佬误笑～～
网友评论