scrapy框架系列 (1) 初识scrapy

Scrapy 框架

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，用途非常广泛。

框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。

Scrapy 使用了 Twisted

['twɪstɪd]

(其主要对手是Tornado)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。

Scrapy架构图(绿线是数据流向)：

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）

Scrapy的运作流程

代码写好，程序开始运行...

引擎

：Hi！

Spider

, 你要处理哪一个网站？

Spider

：老大要我处理xxxx.com。

引擎

：你把第一个需要处理的URL给我吧。

Spider

：给你，第一个URL是xxxxxxx.com。

引擎

：Hi！

调度器

，我这有request请求你帮我排序入队一下。

调度器

：好的，正在处理你等一下。

引擎

：Hi！

调度器

，把你处理好的request请求给我。

调度器

：给你，这是我处理好的request

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

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）

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）

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。

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。

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。）

制作 Scrapy 爬虫 一共需要4步：

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