当前位置:   article > 正文

Python爬虫之Scrapy框架系列(1)——初识Scrapy框架【安装+简介+运行流程+组件介绍】

scrapy框架

1.Scrapy模块安装

  • scrapy支持Python2.7和python3.4以上版本。

  • python包可以用全局安装(也称为系统范围),也可以安装在用户空间中。

Windows
一.直接安装

  1. 在https://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载对应的Twisted的版本文件

  2. 在命令行进入到Twisted的目录 执行pip install 加Twisted文件名

  3. 执行pip install scrapy
    二.annaconda 下安装 (官方推荐)

  4. 安装conda
    conda旧版本 https://docs.anaconda.com/anaconda/packages/oldpkglists/
    安装方法 https://blog.csdn.net/ychgyyn/article/details/82119201

  5. 安装scrapy conda install scrapy

scrapy2.5中文文档:https://www.osgeo.cn/scrapy/intro/tutorial.html
scrapy2.7官方文档:https://docs.scrapy.org/en/latest/index.html

2.Scrapy框架简介

Scrapy是纯Python开发的一个高效,结构化的网页抓取框架。

2.1 Scrapy是个啥?

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。 其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的,也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。 Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试 Scrapy使用了Twisted 异步网络库来处理网络通讯。

2.2 我们为啥要用这玩意呢?

  1. 为了更利于我们将精力集中在请求与解析上。
  2. 企业级的要求。

3.运行流程

(只要提到框架,就要重视它的运行流程/逻辑顺序)

3.1 引入:

在这里插入图片描述举个粟子:

  • 大一新生小明开学,他先到新生接待处等待,老学长学姐(管理人员)看到了就会上前询问你需要帮忙嘛?小明正愁不知道该干啥,就说我是来报道的大一新生,管理人员听了就会将你的信息进行排队,等排队到了小明之后,就会将这个号给到管理人员。
    然后,管理人员将这个号给到报到处,报到处安排小明的在校信息,比如:班级,宿舍…并将这些信息返还给管理人员。管理人员得到之后会再将这些信息给小明这个大一新生,让小明核对下这些是不是自己所需的,经小明认真核对之后发现都是自己想要的,小明跟管理人员说:我已经确认过了就这样哦!
    最后,管理人员就会将这些信息交到信息管理处进行存储。

注意:图中的弧线的意义:

  • 如果,在小明拿到信息核对之后发现这些不是自己所需的,那么,小明就会告诉管理人员,这些不是我所要的,我要重新请求一下别的东西,然后管理人员就就会将小明进行重新排队!!!

3.2 进入正题:

在这里插入图片描述

spiders网页爬虫
items项目
engine引擎
scheduler调度器
downloader下载器
item pipelines项目管道
middleware中间设备,中间件
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

3.3 数据流:

  • 上图显示了Scrapy框架的体系结构及其组件,以及系统内部发生的数据流(由红色的箭头显示。)
    Scrapy中的数据流由执行引擎控制,流程如下:

  • 首先从网页爬虫获取初始的请求
    将请求放入调度模块,然后获取下一个需要爬取的请求
    调度模块返回下一个需要爬取的请求给引擎
    引擎将请求发送给下载器,依次穿过所有的下载中间件
    一旦页面下载完成,下载器会返回一个响应包含了页面数据,然后再依次穿过所有的下载中间件。
    引擎从下载器接收到响应,然后发送给爬虫进行解析,依次穿过所有的爬虫中间件
    爬虫处理接收到的响应,然后解析出item和生成新的请求,并发送给引擎
    引擎将已经处理好的item发送给管道组件,将生成好的新的请求发送给调度模块,并请求下一个请求
    该过程重复,直到调度程序不再有请求为止。

3.4 中间件介绍:

3.4.1 下载中间件:
  • 下载中间件是位于引擎和下载器之间的特定的钩子,它们处理从引擎传递到下载器的请求,以及下载器传递到引擎的响应。

如果你要执行以下操作之一,请使用Downloader中间件:

  • 在请求发送到下载程序之前处理请求(即在scrapy将请求发送到网站之前)
  • 在响应发送给爬虫之前
  • 直接发送新的请求,而不是将收到的响应传递给蜘蛛
  • 将响应传递给爬行器而不获取web页面;
  • 默默的放弃一些请求
3.4.2 爬虫中间件:
  • 爬虫中间件是位于引擎和爬虫之间的特定的钩子,能够处理传入的响应和传递出去的item和请求。

如果你需要以下操作请使用爬虫中间件:

  • 处理爬虫回调之后的请求或item
  • 处理start_requests
  • 处理爬虫异常
  • 根据响应内容调用errback而不是回调请求

3.3 各个组件介绍:

  • Scrapy Engine(引擎)
    引擎负责控制系统所有组件之间的数据流,并在发生某些操作时触发事件。

  • scheduler(调度器)
    调度程序接收来自引擎的请求,将它们排入队列,以便稍后引擎请求它们。

  • Downloader(下载器)
    下载程序负责获取web页面并将它们提供给引擎,引擎再将它们提供给spider。

  • spider(爬虫)
    爬虫是由用户编写的自定义的类,用于解析响应,从中提取数据,或其他要抓取的请求。

  • Item pipeline(管道)
    管道负责在数据被爬虫提取后进行后续处理。典型的任务包括清理,验证和持久性(如将数据存储在数据库中)

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/我家自动化/article/detail/361532
推荐阅读
相关标签
  

闽ICP备14008679号