Scrapy爬虫架构教程
1.Scrapy简介
scrapy是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。可以实现网站抓取，数据存储等操作。
2.各组件作用
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。此组件相当于爬虫的"大脑"，是整个爬虫的调度中心。
调度器(Scheduler)
调度器从引擎接受request并将它们入队，以便之后引擎请求它们时提供给引擎。
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)
下载器(Downloader)
下载器负责获取页面数据并提供给引擎，而后提供给spider。
Spiders
Spider是scrapy用户编写用于分析response并提取item(即获取类。每个spider负责处理一个特定(或一些)网站
Item Pipline
Item Pipline负责处理被spider提取出来的item。典型的处理有清理、验证即持久化(例如存储到数据库中)。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。
下载器中间件(Downloader middlewares)
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中间件(Spider middlewares)
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以及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。
数据流(Data flow)
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 Pipline，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的request，引擎关闭该网站。
3.创建Scrapy爬虫项目流程
创建项目
在开始爬取之前，首先要新建一个Scrapy项目。运行下面命令。
scrapy startproject demoscrapy
该命令将会创建包含下列内容的demoscrapy目录
demoscrapy scrapy.cfg demoscrapy/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py ...
这些文件分别是:
scrapy.cfg:项目的配置文件。
demoscrapy/：该项目的python模块。之后将在此加入代码
demoscrapy/items.py：项目的item文件。
demoscrapy/pipelines.py：项目的pipelines文件
demoscrapy/settings.py：项目的设置文件。
demoscrapy/spiders/：放置spider代码的目录
编写第一个爬虫(Spider)
Spider是用户编写用于从单个网站(或一些网站)爬取数据的类。
其包含了一个用于下载的初始URL，如何跟进网页中的链接以及如何分析页面的内容，提取生成item的方法。
为了创建一个Spider，必须继承scrapy.Spider类，且定义以下三个属性：
name:用于区别Spider。该名字必须是唯一的，可以为不同的Spider设置相同的名字。
start_urls:包含了Spider在启动时进行爬取的url列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。
parse()是spider的一个方法。被调用时，每个初始URL完成下载后生成的Response对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的Request对象。
import scrapy from demoscrapy.items import demoItem class demoSpider(scrapy.Spider): name = 'dmspider' allowed_domains = ['www.dmspider.com'] start_urls = ['http://www.dmspider.com/company'] def parse(self, response): item = demoItem() doc = pq(response.body) # 解析页面数据 yield item # 把取到的数据提交给pipline处理
启动爬虫
进入到爬虫项目所在目录，运行下列命令：
scrapy crawl dmspider
启动爬虫后就能看到运行日志了。
参考:https://www.cnblogs.com/ellisonzhang/p/11113277.html
https://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html
demoscrapy
