Python Scrapy 框架简单介绍

一、Scrapy是什么

Scrapy 是一个基于 Twisted 的异步处理框架，是纯 Python 实现的爬虫框架，其架构清晰，模块之间的耦合程度低，可扩展性极强，可以灵活完成各种需求。我们只需要定制开发几个模块就可以轻松实现一个爬虫。

Scrapy是适用于Python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，最新版本又提供了web2.0爬虫的支持。

二、Scrapy优点

1、速度快

2、实现大批量爬取

三、Scrapy爬虫框架的架构

(1) Scrapy有五个部分组件组成：

中 > 引擎Scrapy Engine:用来处理整个系统的数据流处理、触发事务，是整个框架的核心

上 > 调度器Scheduler:用来接受引擎发过来的请求并加入队列中，并在引擎再次请求的时候提供给引擎。

左 > 管道item pipeline:负责处理由蜘蛛从网页中抽取的项目，它的主要任务是清洗、验证和存储数据。

下 > 爬虫器(爬虫组件) Spiders:其内定义了爬取的逻辑和网页的解析规则，它主要负责解析响应并生成提取结果和新的请求。

Spider Middlewares（Spiders中间件）：位于引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛输入的响应和输出的结果及新的请求。

右 > 下载器 Downloader:用于下载网页内容，并将网页内容返回给Spiders爬虫器。

Downloader Middlewares（下载器中间件）：位于引擎和下载器之间的钩子框架，主要是处理引擎与下载器之间的请求及响应。

(2) Scrapy数据流机制:

引擎Scrapy Engine : C位，不用做事，接收任务，分发任务。

爬虫器Spiders :
1.确认目标url,根据这个url构造一个request对象，交给引擎
4.接收了来自引擎的response,进行解析,解析完毕，把结果给引擎
解析结果分为2种
--(1)如果提取出来的是url,就把所有的步骤重头再走一遍
--(2)如果是需要进行保存的数据data

调度器Scheduler:
2.接收了来自引擎的request对象，进行一个排序，把排序之后的结果交给引擎(假设有100个request对象，安装调度，安排谁先谁后).

下载器Downloader:
3.接收了来自经过了排序之后的引擎的request对象，发送网络请求获取响应对象response,交给引擎.

管道item pipeline:
5.接收了来自引擎的数据data,进行保存.
通过多个组件的相互协作、不同组件完成工作的不同、组件很好地支持异步处理，scrapy 最大限度地利用了网络带宽，大大提高了数据爬取和处理的效率。

四、scrapy创建项目

(1) 爬虫项目

scrapy startproject 爬虫项目名

(2) 爬虫任务

1. cd 到项目的根目录

2. scrapy genspider 爬虫任务名称 域的范围.com

(3)运行scrapy爬虫

scrapy crawl 爬虫任务名称

(4) Scrapy创建结构图

各个文件的功能描述如下：

• scrapy.cfg：它是 Scrapy 项目的配置文件，其内定义了项目的配置文件路径、部署相关信息等内容。

• items.py：它定义 Item 数据结构，所有的 Item 的定义都可以放这里。

• pipelines.py：它定义 Item Pipeline 的实现，所有的 Item Pipeline 的实现都可以放这里。

• settings.py：它定义项目的全局配置。

• middlewares.py：它定义 Spider Middlewares 和 Downloader Middlewares 的实现。

• spiders：其内包含一个个 Spider 的实现，每个 Spider 都有一个文件。

来源：https://blog.csdn.net/hlx20080808/article/details/130686171