目录:
- 一.Scrapy框架简介
- 二.Scrapy框架的安装
- 三.Scrapy框架中各组件的介绍及之间的关系
- 四.Scrapy运行流程
- 五.Scrapy框架项目的创建及运行
- 六.Scrapy框架项目结构
- 七.Scrapy框架详细应用&实战项目
- 八.Scrapy框架的特殊用法
- 九.总结
一.Scrapy框架简介:
- 为了爬取网站数据而编写的一款应用框架,所谓的框架其实就是一个集成了相应的功能且具有很强通用性的项目模板该框架提供了高性能的异步下载(Twisted异步网络库来处理网络通讯),解析和持久化等功能;
- Scrapy 内置的css和xpath selector 两种解析方式较方便;
- Scrapy最新版本又提供了web2.0爬虫的支持;
二.Scrapy框架的安装:
1.windows环境:
首先装载python集成开发环境Anaconda,省去安装其他库;
conda install Scrapy
2.Linux环境:
pip3 install scrapy
三.Scrapy框架中各组件的介绍及之间的关系
整体架构如下:
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处理, 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
- 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。
四.Scrapy运行流程
Scrapy执行流程图
运行流程:
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取;
- 引擎把URL封装成一个请求(Request)传给下载器;
- 下载器把资源下载下来,并封装成应答包(Response);
- 爬虫解析Response;
- 解析出实体(Item),则交给实体管道进行进一步的处理;
- 解析出的是链接(URL),则把URL交给调度器等待抓取;
五.Scrapy框架项目的创建及运行
1.创建虚拟环境:
第一步:在命令提示符中键入pip install virtualenv,回车,即可自动执行安装virtualenv
第二步:进入到我们想创建虚拟环境的目录,如博主想在E盘下的Envs文件夹中创建一个名为helloworld的虚拟环境。首先进入目标目录,键入命令virtualenv helloworld,回车,等待创建成功即可
2.在cmd中创建scrapy项目
- 命令一:创建项目文件 scrapy startproject 项目名称
- 命令二:创建爬虫应用
scrapy genspider 爬虫名
要爬取的域名 - 命令三: 运行爬虫应用 scrapy crawl 爬虫应用名称
ps: 1.项目名和爬虫名不能相同
2.查看所有命令:scrapy gensipider
-
l
六.Scrapy框架项目结构
- items.py:用来存放爬虫爬取的数据的模型
- middlewares.py:用来存放各种中间件的文件
- pipelines.py:用来将items的模型存储到本地磁盘
- settings.py:存储本爬虫的一些配置信息,比如:请求头、ip代理池等
- spiders目录:存储所有的爬虫代码
- scrapy.cfg:项目的配置文件
七.Scrapy框架详细应用&实战项目
...
八.Scrapy框架的特殊用法
...
九.总结
...