Scrapy框架介绍
Scrapy 框架学习
一、Scrapy 框架介绍
Scrapy不是一个函数功能库,而是一个**爬虫框架**
什么是爬虫框架?
爬虫框架是实现爬虫功能的一个软件结构和功能组件集合。
爬虫框架是一个半成品,能够帮助用户实现专业网络爬虫
1.架构介绍
Scrapy Engine
引擎负责控制数据流在系统中所有组件中流动,并在相应动作发生时触发事件。详细内容查看下面的数据流(Data Flow)部分
此组件相当于爬虫的“大脑”,是整个爬虫的调度中心。
Scheduler(调度器)
调度器从引擎接受request并将他们入队,以便之后引擎请求他们时提供给引擎。
初始的爬取URL和后续在页面中获取的待爬取的URL将放入调度器中,等待爬取。同时调度器会自动去除重复的URL(如果特定的URL不需要去重也可以通过设置实现,如post请求的URL)
Downloader(下载器)
下载器负责获取页面数据并提供给引擎,而后提供给spider。
Spider
Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。
Item Pipeline
Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库中
当页面被爬虫解析所需的数据存入Item后,将被发送到项目管道(Pipeline),并经过几个特定的次序处理数据,最后存入本地文件或存入数据库。
Downloader middleware(下载器中间键)
下载器中间件是在引擎及下载器之间的特定钩子(specific hook),处理Downloader传递给引擎的response。 其提供了一个简便的机制,通过插入自定义代码来扩展Scrapy功能。
通过设置下载器中间件可以实现爬虫自动更换user-agent、IP等功能。
Spider middleware(Spider中间件)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook),处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制,通过插入自定义代码来扩展Scrapy功能。
2.数据流
1.引擎打开一个网站(open a domain),找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
2.引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
3.引擎向调度器请求下一个要爬取的URL。
4.调度器返回下一个要爬取的URL给引擎,引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
5.一旦页面下载完毕,下载器生成一个该页面的Response,并将其通过下载中间件(返回(response)方向)发送给引擎。
6.引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
7.Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8.引擎将(Spider返回的)爬取到的Item给Item Pipeline,将(Spider返回的)Request给调度器。
9.(从第二步)重复直到调度器中没有更多地request,引擎关闭该网站。
3.创建项目
它是通过命令行来创建项目的,代码的编写还是需要通过IDE
scrapy startproject scrapyspider
项目创建之后文件结构
scrapyspider/
scrapy.cfg
scrapyspider/
__init__.py
items.py
pipelines.py
settings.py
middlewares.py
spiders/
__init__.py
...
各文件的功能描述
1.scrapy.cfg:Scrapy项目的配置文件
2.tutorial/: 该项目的python模块。之后您将在此加入代码。
3.tutorial/items.py: 项目中的item文件。
4.tutorial/pipelines.py: 项目中的pipelines文件。
5.tutorial/settings.py: 项目的设置文件。
6.tutorial/middlewares.py: 定义Spider Middlewares和Downloader Middlewares的实现
6.tutorial/spiders/: 放置spider代码的目录
四、其他
1.Scrapy爬虫的使用步骤
1.创建一个工程和Spider模板
创建项目:scrapy startproject tutorial
创建Spider:cd turorial
scrapy genspider qutoes qutoes.toscrape.com
2.编写Spider
3.编写Item Pipeline
4.优化配置策略
2.Scrapy爬虫的数据类型
Request 类
Response 类
Item 类
(1)Request 类
a.Request对象表示一个HTTP请求
b.由Spider生成,由Downloader执行
属性或方法 | 说明 |
---|---|
.url | Request对应的请求URL地址 |
.method | 对应的请求方法,‘GET’'POST’等 |
.headers | 字典类型风格的请求头 |
.body | 请求内容主体,字符串类型 |
.meta | 用户添加的扩展信息,在Scrapy内部模块间传递信息使用.copy()复制该请求 |
.copy() | 复制该请求 |
(2)Response 类
a.Response对象表示一个HTTP响应
b.由Downloader生成,由Spider处理
属性或方法 | 说明 |
---|---|
.url | Request对应的请求URL地址 |
.status | HTTP状态码,默认是200 |
.headers | Response对应的头部信息 |
.flags | 一组标记 |
.body | 请求内容主体,字符串类型 |
.request | 产生Response类型对应的Request对象 |
.copy() | 复制该响应 |
(3)Item 类
a.Item对象表示一个从HTML页面中提取的信息内容
b.由Spider生成,由Item Pipeline处理
c.Item类似字典类型,可以按照字典类型操作