scrapy框架系列 (1) 初识scrapy
2018-03-03 09:29
204 查看
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
相关文章推荐
- 玩转Google开源C++单元测试框架Google Test系列(gtest)之一 - 初识gtest
- (转)玩转Google开源C++单元测试框架Google Test系列(gtest)之一 - 初识gtest
- 玩转Google开源C++单元测试框架Google Test系列(gtest)之一 - 初识gtest
- 玩转Google开源C++单元测试框架Google Test系列(gtest)之一 - 初识gtest
- scrapy框架系列 (4) Scrapy Shell
- 初识google多语言通信框架gRPC系列(一)概述
- 玩转Google开源C++单元测试框架Google Test系列(gtest)之一 - 初识gtest
- 初识google多语言通信框架gRPC系列(二)编译gRPC
- scrapy框架系列 (5) Spider类
- 初识google多语言通信框架gRPC系列(三)C#中使用gRPC
- Javascript MVVM模式前端框架—Knockout 2.1.0系列(1):初识Ko,了解Observable与computed
- python网络爬虫系列教程——Scrapy框架应用全解
- 玩转Google开源C++单元测试框架Google Test系列(gtest)之一 - 初识gtest
- 开发一款开源爬虫框架系列(一):分析nutch,scrapy的爬虫设计
- 玩转Google开源C++单元测试框架Google Test系列(gtest)之一 - 初识gtest
- 【安卓网络请求开源框架Volley源码解析系列】初识Volley及其基本用法
- 玩转Google开源C++单元测试框架Google Test系列(gtest)之一 - 初识gtest
- 【安卓网络请求开源框架Volley源码解析系列】初识Volley及其基本用法
- 初识 scrapy 框架 - 安装
- 【安卓网络请求开源框架Volley源码解析系列】初识Volley及其基本用法