scrapy 爬虫框架简介

scrapy介绍

Scrapy，Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。
Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

scrapy data flow（流程图）

Scrapy使用了Twisted作为框架，Twisted有些特殊的地方是它是事件驱动的，并且比较适合异步的代码。对于会阻塞线程的操作包含访问文件、数据库或者Web、产生新的进程并需要处理新进程的输出(如运行shell命令)、执行系统层次操作的代码(如等待系统队列),Twisted提供了允许执行上面的操作但不会阻塞代码执行的方法。

下面的图表显示了Scrapy架构组件，以及运行scrapy时的数据流程，图中红色箭头标出。

Scrapy数据流是由执行的核心引擎(engine)控制，流程是这样的：

1. 爬虫引擎获得初始请求开始爬取
2. 爬虫引擎开始请求调度程序，并准备对下一次的请求进行爬取。
3. 爬虫调度器返回下一个请求给爬虫引擎。
4. 引擎请求发送到下载器，通过下载中间件下载网络数据
5. 一旦下载器完成页面下载，将下载结果返回给爬虫引擎。
6. 引擎将下载器的响应通过中间件返回给爬虫进行处理。
7. 爬虫处理响应，并通过中间件返回处理后的items，以及新的请求给引擎
8. 引擎发送处理后的items到项目的管道，然后把处理结果返回给调度器，调度器计划处理下一个请求抓取
9. 重复该过程，直到爬取完所有的url请求

上图展示了scrapy的所有组件工作流程，下面单独介绍各个组件：

• 爬虫引擎（ENGINE）
  爬虫引擎负责控制各个组件之间的数据流，当某些操作触发事件后都是通过engine来处理。

• 下载器
  通过engine请求下载王叔数据并将结果响应给engine。

• 调度器
  调度接收来engine的请求并将请求放入队列中，并通过事件返回给engine

• Spider
  Spider发出请求，并且处理engine返回给它下载器响应的数据，以items和规则内的数据请求（url）返回给engine

• 管道项目(item pipeline)
  负责处理engine返回spider解析后的数据，并且将数据持久化，例如将数据存入数据库或者文件。

• 下载中间件
  下载中间件是engine和下载器交互组件，以钩子(插件)的形式存在，可以代替接收请求、处理数据的下载以及将结果响应给engine。
• spider中间件
  spider中间件是engine和spider之间的交互组件，以钩子(插件)的形式存在，可以代替处理response以及返回给engine items及新的请求集。

如何创建scrapy环境和项目

# 创建虚拟的环境
virtualenv --no-site-packages  环境名
# 进入虚拟环境文件夹
cd  虚拟环境文件夹
# 运行虚拟环境
cd Scrapits
activate
# 可以更新pip
python -m pip install -U pip
# 在虚拟环境里 windows下安装Twisted-18.4.0-cp36-cp36m-win32.wh
pip insttall E:\Twisted-18.4.0-cp36-cp36m-win32.wh
# 在虚拟环境中安装scrapy
pip install scrapy

# 创建自己的项目,（可以单独创建项目文件夹） 在虚拟环境中切换到创建的文件下
scrapy startproject 项目名字
# 创建spider（蜘蛛）
scrapy genspider 蜘蛛名字  允许访问的地址
例如：
scrapy genspider movie movie.douban.com

scrapy项目结构

• items.py 负责数据模型的建立
• middlewares.py 中间件
• pipelines.py 负责对spider返回数据的处理。
• settings.py 负责对整个爬虫的配置。
• spiders目录 负责存放继承自scrapy的爬虫类。
• scrapy.cfg scrapy基础配置