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
posted @ 2020-02-15 21:33  风墓  阅读(418)  评论(0编辑  收藏  举报