带你认识Scrapy框架

末蓝、 2022-02-22 12:58 291阅读 0赞

##### 1.Scrapy简介 #####

*  Scrapy，Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于`数据挖掘`、`监测`和`自动化测试`。
 *  Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等。
 *  通常我们可以很简单的通过 Scrapy 框架实现一个爬虫，抓取指定网站的内容或图片。

##### 2.Scrapy架构图 #####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM1NTMxNTQ5_size_16_color_FFFFFF_t_70]

*  图中箭头和数字代表执行流程
 *  **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）

##### 3.Scrapy的运作流程 #####

*  代码写好，程序开始运行…

1.  引擎：Hi！Spider, 你要处理哪一个网站？
2.  Spider：[老大要我处理xxxx.com][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][URL_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！

**注意！只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）**

##### 4.制作 Scrapy 爬虫 一共需要4步： #####

1.  新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
2.  明确目标 （[编写items.py][items.py]）：明确你想要抓取的目标
3.  制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
4.  存储内容 （[pipelines.py][]）：设计管道存储爬取内容

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM1NTMxNTQ5_size_16_color_FFFFFF_t_70]: /images/20220222/98f728f56a654f11937e79a48cba408e.png
[xxxx.com]: http://xn--xxxx-fr6g3gr50d117atsw58u.com
[URL_xxxxxxx.com]: http://xn--URLxxxxxxx-pf2pypw29wbo1c.com
[items.py]: http://xn--items-by5h803y.py
[pipelines.py]: http://pipelines.py