2019獨角獸企業重金招聘Python工程師標準>>>

前言

Scrapy是爬蟲必須學會的一個框架！一般人確實很難搞的透徹！不過他的功能方面確實特別好用。

scrapy

scrapy 是一個異步爬蟲框架，使用它，可以屏蔽很多復雜的底層設計，只需要解析下載下來的頁面，更多了我們需要關注的是目標網站/頁面爬取的難易程度，該怎么來實現它。雖然是，但是在爬取大量網站可能需要 用分布式的爬蟲，當然scrapy 也有

操作流程圖

指定一個起始url后，scrapy就可以根據以上原理圖進行工作了。一個最簡單的頁面，指定頁面的url進行第一次請求，經過引擎，交給調度器，然后調度器再返回給引擎，去下載這個頁面，拿到這個頁面就可以進行解析了。 這里明顯看的出來繞了一個圈子，如果最簡單的的頁面，這樣子會發現多了調度這一步。但是一般在實際業務中，特別是分布式爬蟲，會有很多url 需要爬取，而且一些url是動態添加到待爬隊列的，
我們將所有的待爬都在調度器進行分配，當然這里也有其他操作，比如，一個url已經調度過，那么會進行標識，做到不再重復爬取。

隊列

scrapy 默認的隊列

SCHEDULER_DISK_QUEUE = 'scrapy.squeues.PickleLifoDiskQueue' SCHEDULER_MEMORY_QUEUE = 'scrapy.squeues.LifoMemoryQueue' SCHEDULER_PRIORITY_QUEUE = 'queuelib.PriorityQueue'

一般我們不關心這個隊列結構，但是在做分布式時這個隊列就需要替換

scrapy_redis

scrapy 本身是異步，但是不支持分布式爬取。 要做到分布式爬取，那么需要一個公共的待爬隊列

scrapy_redis 需要制定隊列結構，可在 SpiderQueue，SpiderStack，
SpiderPriorityQueue 中選者一個，形如

SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"

scrapy注意事項

這里說一下scrapy的一個要注意的細節問題，對個人來說，其實他的文檔有些地方存在誤導，當然我指的是中文文檔，格式是標題加內容，區分通過數字。

scrapy流程問題中下載和請求有什么區別

?

流程圖

?

如果對Python編程、網絡爬蟲、機器學習、數據挖掘、web開發、人工智能、面試經驗交流。感興趣可以519970686，群內會有不定期的發放免費的資料鏈接，這些資料都是從各個技術網站搜集、整理出來的，如果你有好的學習資料可以私聊發我，我會注明出處之后分享給大家。

spider通過engine產生Requests給Scheduler，之后通過Downloader產生Responses。這里有一個詭異的現象，比如我們通過request這個庫寫一個爬去百度的爬蟲

import request page = request.get('http://www.baidu.com')

可能request拼錯了

這樣的一行命令，就已經實現了把百度的頁面下載下來這個功能，那么請求和下載在這行代碼體現在哪里？

每一個請求的過程，就已經實現了下載，換句話說，請求就是下載。

那么，所謂scrapy的請求和下載是什么？
請求，就是url
下載，就是請求url或者說訪問url

知道了這一點，很多東西都可以理解
比如，下載中間件這個東西
他是在parse函數前還是后執行？肯定是前啊，因為parse是下載
還有就是scrapy.Request在中間件之前還是之后？按照文檔說法，Request通過下載中間件到下載啊，應該是之前啊，但其實，scrapy.Request在中間件后面執行。因為它是下載里面的（請求就是下載）。

當然，如果上面你不相信的話，可以試一下換代理，中間件需要這樣一句代碼

request.meta['proxy'] = 'http://192.13.2.2:8888'

之后，才是才是請求呢。你不會用的時候，覺得很多地方不合理。你就覺得工具很爛，應該是你用的不好。

轉載于:https://my.oschina.net/u/3942476/blog/2252261

總結

以上是生活随笔為你收集整理的爱玛士关于爬虫的scrapy框架的心得的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。