Scrapy 学习篇(一)

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): 总指挥，负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等，scrapy已经实现

• Scheduler(调度器): 一个队列，存放引擎发送过来的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，scrapy已经实现。

• 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，scrapy已经实现

• Spider（爬虫）：处理引擎发过来的Responses，提取数据和url，提交给引擎，需要手写

• 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，需要手写

• Downloader Middlewares（下载中间件）：可以自定义扩展下载功能的组件，比如设置代理

• Spider Middlewares（Spider中间件）：一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如过滤进入Spider的Responses和自定义从Spider出去的Requests）

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：

• 创建一个scrapy项目

scrapy startproject 项目名

• 生成一个爬虫

scrapy genspider 爬虫名 域名

• 提取数据

完善spider，使用xpath等方法

【注意：scrapy.spider中parse方法用于处理start_url对应的响应，方法名不能更改】

• 保存数据

pipeline中保存数据【多个pipeline时，为使数据能够在pipeline中进行传递，需在每个pipeline中return item】

【注意：pipeline中process_item方法名不能更改，否则无法通过管道进行处理】

补充笔记

• extract()：返回一个包含所有字符串数据的列表；extract_frist()返回列表中的第一个字符串
• 需要爬取的url地址必须要处于allow_domain下的链接
• response.xpath()返回的时一个含有selector对象的列表