Python高級爬蟲框架Scrapy簡介

Scrapy 框架

 

• Scrapy是用純Python實現一個爲了爬取網站數據、提取結構性數據而編寫的應用框架，用途很是普遍。

• 框架的力量，用戶只須要定製開發幾個模塊就能夠輕鬆的實現一個爬蟲，用來抓取網頁內容以及各類圖片，很是之方便。

• Scrapy 使用了 Twisted['twɪstɪd](其主要對手是Tornado)異步網絡框架來處理網絡通信，能夠加快咱們的下載速度，不用本身去實現異步框架，而且包含了各類中間件接口，能夠靈活的完成各類需求。

 

Scrapy架構圖(綠線是數據流向)：

 

 

• Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通信，信號、數據傳遞等。

• Scheduler(調度器): 它負責接受引擎發送過來的Request請求，並按照必定的方式進行整理排列，入隊，當引擎須要時，交還給引擎。

• Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的全部Requests請求，並將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

• Spider（爬蟲）：它負責處理全部Responses,從中分析提取數據，獲取Item字段須要的數據，並將須要跟進的URL提交給引擎，再次進入Scheduler(調度器)，

• Item Pipeline(管道)：它負責處理Spider中獲取到的Item，並進行進行後期處理（詳細分析、過濾、存儲等）的地方.

• Downloader Middlewares（下載中間件）：你能夠看成是一個能夠自定義擴展下載功能的組件。

• Spider Middlewares（Spider中間件）：你能夠理解爲是一個能夠自定擴展和操做引擎和Spider中間通訊的功能組件（好比進入Spider的Responses;和從Spider出去的Requests）

 

若是你在學習Python的過程當中碰見了不少疑問和難題，能夠加-q-u-n   227 -435-450裏面有軟件視頻資料免費

Scrapy的運做流程

代碼寫好，程序開始運行...

 

• 引擎：Hi！Spider, 你要處理哪個網站？

• Spider：老大要我處理xxxx.com。

• 引擎：你把第一個須要處理的URL給我吧。

• Spider：給你，第一個URL是xxxxxxx.com。

• 引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。

• 調度器：好的，正在處理你等一下。

• 引擎：Hi！調度器，把你處理好的request請求給我。

• 調度器：給你，這是我處理好的request

• 引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求

• 下載器：好的！給你，這是下載好的東西。（若是失敗：sorry，這個request下載失敗了。而後引擎告訴調度器，這個request下載失敗了，你記錄一下，咱們待會兒再下載）

• 引擎：Hi！Spider，這是下載好的東西，而且已經按照老大的下載中間件處理過了，你本身處理一下（注意！這兒responses默認是交給def parse()這個函數處理的）

• Spider：（處理完畢數據以後對於須要跟進的URL），Hi！引擎，我這裏有兩個結果，這個是我須要跟進的URL，還有這個是我獲取到的Item數據。

• 引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是須要跟進URL你幫我處理下。而後從第四步開始循環，直到獲取完老大須要所有信息。

• 管道``調度器：好的，如今就作！

 

注意！只有當調度器中不存在任何request了，整個程序纔會中止，（也就是說，對於下載失敗的URL，Scrapy也會從新下載。）

製做 Scrapy 爬蟲 一共須要4步：

 

• 新建項目 (scrapy startproject xxx)：新建一個新的爬蟲項目

• 明確目標 （編寫items.py）：明確你想要抓取的目標

• 製做爬蟲 （spiders/xxspider.py）：製做爬蟲開始爬取網頁

• 存儲內容 （pipelines.py）：設計管道存儲爬取內容