2019獨角獸企業(yè)重金招聘Python工程師標準>>>

Scrapy 框架

?

• Scrapy是用純Python實現(xiàn)一個為了爬取網(wǎng)站數(shù)據(jù)、提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架，用途非常廣泛。

• 框架的力量，用戶只需要定制開發(fā)幾個模塊就可以輕松的實現(xiàn)一個爬蟲，用來抓取網(wǎng)頁內(nèi)容以及各種圖片，非常之方便。

• Scrapy 使用了 Twisted['tw?st?d](其主要對手是Tornado)異步網(wǎng)絡(luò)框架來處理網(wǎng)絡(luò)通訊，可以加快我們的下載速度，不用自己去實現(xiàn)異步框架，并且包含了各種中間件接口，可以靈活的完成各種需求。

?

Scrapy架構(gòu)圖(綠線是數(shù)據(jù)流向)：

?

?

• Scrapy Engine(引擎): 負責(zé)Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數(shù)據(jù)傳遞等。

• Scheduler(調(diào)度器): 它負責(zé)接受引擎發(fā)送過來的Request請求，并按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。

• Downloader（下載器）：負責(zé)下載Scrapy Engine(引擎)發(fā)送的所有Requests請求，并將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

• Spider（爬蟲）：它負責(zé)處理所有Responses,從中分析提取數(shù)據(jù)，獲取Item字段需要的數(shù)據(jù)，并將需要跟進的URL提交給引擎，再次進入Scheduler(調(diào)度器)，

• Item Pipeline(管道)：它負責(zé)處理Spider中獲取到的Item，并進行進行后期處理（詳細分析、過濾、存儲等）的地方.

• Downloader Middlewares（下載中間件）：你可以當作是一個可以自定義擴展下載功能的組件。

• Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件（比如進入Spider的Responses;和從Spider出去的Requests）

?

如果你在學(xué)習(xí)Python的過程中遇見了很多疑問和難題，可以加-q-u-n???227 -435-450里面有軟件視頻資料免費

Scrapy的運作流程

代碼寫好，程序開始運行...

?

• 引擎：Hi！Spider, 你要處理哪一個網(wǎng)站？

• Spider：老大要我處理xxxx.com。

• 引擎：你把第一個需要處理的URL給我吧。

• Spider：給你，第一個URL是xxxxxxx.com。

• 引擎：Hi！調(diào)度器，我這有request請求你幫我排序入隊一下。

• 調(diào)度器：好的，正在處理你等一下。

• 引擎：Hi！調(diào)度器，把你處理好的request請求給我。

• 調(diào)度器：給你，這是我處理好的request

• 引擎：Hi！下載器，你按照老大的下載中間件的設(shè)置幫我下載一下這個request請求

• 下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然后引擎告訴調(diào)度器，這個request下載失敗了，你記錄一下，我們待會兒再下載）

• 引擎：Hi！Spider，這是下載好的東西，并且已經(jīng)按照老大的下載中間件處理過了，你自己處理一下（注意！這兒responses默認是交給def parse()這個函數(shù)處理的）

• Spider：（處理完畢數(shù)據(jù)之后對于需要跟進的URL），Hi！引擎，我這里有兩個結(jié)果，這個是我需要跟進的URL，還有這個是我獲取到的Item數(shù)據(jù)。

• 引擎：Hi ！管道 我這兒有個item你幫我處理一下！調(diào)度器！這是需要跟進URL你幫我處理下。然后從第四步開始循環(huán)，直到獲取完老大需要全部信息。

• 管道``調(diào)度器：好的，現(xiàn)在就做！

?

注意！只有當調(diào)度器中不存在任何request了，整個程序才會停止，（也就是說，對于下載失敗的URL，Scrapy也會重新下載。）

制作 Scrapy 爬蟲 一共需要4步：

?

• 新建項目 (scrapy startproject xxx)：新建一個新的爬蟲項目

• 明確目標 （編寫items.py）：明確你想要抓取的目標

• 制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網(wǎng)頁

• 存儲內(nèi)容 （pipelines.py）：設(shè)計管道存儲爬取內(nèi)容

轉(zhuǎn)載于:https://my.oschina.net/u/3849396/blog/1973387

總結(jié)

以上是生活随笔為你收集整理的Python高级爬虫框架Scrapy简介的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。