Scrapy学习--Scrapy介绍

Stubborn

Scrapy入门

• Scrapy框架简介
  
  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。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，加快开发速度。Scrapy框架可能是Python世界中最出名也是使用者最多的爬虫框架。
  
• Scrapy与Requests
  
  问题：在Python爬虫中：Requests + Selenium 可以解决目前90%的爬虫需求，难道Scrapy 是解决剩下的10%的吗？
  
  回答：不是。Scrapy框架是为了让我们的爬虫更强大、更高效。可以类比开车，requests等方法相当于自己造了一台车，而Scrapy框架相当于一台车，直接学会开车就好了。这样我们就不用过多关注造车细节，从而提高工作效率。就像学习的DJango框架，Flask等。
  
• Scrapy原理图
  
  
  
• Scrapy主要包括了以下组件
  
  
  • 引擎(Scrapy)  >>>用来处理整个系统的数据流, 触发事务(框架核心)
    
  • 调度器(Scheduler)  >>>用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
    
  • 下载器(Downloader) >>>用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
    
  • 爬虫(Spiders) >>>爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
    
  • 项目管道(Pipeline)  >>>负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
    
  • 下载器中间件(Downloader Middlewares)  >>>位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
    
  • 爬虫中间件(Spider Middlewares)   >>>介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
    
  • 调度中间件(Scheduler Middewares)   >>>介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。
    
  
  
  
  
• 数据的流动
  
  
  • 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): 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）：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)：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）
    
  
  
• 重点重点:工作的流程
  
  
  • 首先Spiders（爬虫）将需要发送请求的url(requests)经ScrapyEngine（引擎）交给Scheduler（调度器）。
    
  • Scheduler（排序，入队）处理后，经ScrapyEngine，DownloaderMiddlewares(可选，主要有User_Agent, Proxy代理)交给Downloader。
    
  • Downloader向互联网发送请求，并接收下载响应（response）。将响应（response）经ScrapyEngine，SpiderMiddlewares(可选)交给Spiders。
    
  • Spiders处理response，提取数据并将数据经ScrapyEngine交给ItemPipeline保存（可以是本地，可以是数据库）。
    
  • 提取url重新经ScrapyEngine交给Scheduler进行下一个循环。直到无url请求程序停止结束。
    
  
  
  

  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！

  
  
• Scrapy常见命令
  
  
  • 新建爬虫项目:scrapy startproject projectname
    
    
    • 例子:scrapy startproject fishc
    • 说明:建立一个fishc的scrapy项目
      
    
    
  • 新建爬虫一：scrapy genspider spidername domain
    
    
    • 备注:新建爬虫时注意在爬虫项目里面进行创建
    • 例子:scrapy genspider fishc fishc.com
    • 说明:建立一个fishc的爬虫，其域名规则为fishc.com，爬虫网址不在此域名内不会被抓取
      
    
    
  • 新建爬虫二：scrapy genspider -t crawl spidername domain
    
    
    • 备注:新建爬虫时注意在爬虫项目里面进行创建
    • 例子:scrapy genspider -t crawl fishc fishc.com
    • 说明:建立一个fishc的规则爬虫，其域名规则为fishc.com，爬虫网址不在此域名内不会被抓取。
      
    
    
  • 运行爬虫：scrapy crawl spidername
    
    
    • 例子：scrapy crawl fishc
    • 说明:运行一个fishc的爬虫
      
    
    
  • 查询当前项目下的爬虫名字:scrapy list
  • 测试电脑性能:scrapy bench