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[twistid](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(绿色是数据流向)
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)它负责接受引擎发过来的 Requesti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 lEngine((引擎)发送的所有Request请求,并将其获取到的Response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 Response,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,并进行后期处理(详细分析、过滤、存储等)
Dounloader 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( Spidert中间件):你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...
1.引擎:Hi! Spider,你要处理哪一个网站?
2.Spider:老大要我处理xx.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。
5.引擎:Hi!调度器,我这有 requesti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键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跟进的URL),H!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,直到获取老大需要全部信息
14.管道“调度器好的,现在就做!
注章!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,Scrapyt也会重新下载。)
制作Scrapy爬虫，一共需要四步：
一，新建项目( scrapy startproject xxx):新建一个新的爬虫项目
二，明确目标(编写 items.py):明确你想要抓取的目标
三，制作爬虫( spiders// xxspider):制作爬虫开始爬取网页
四，存储内容( pipelines.py):设计管道存储爬取内容
