scrapy框架爬虫

 

一、什么是scrapy？

　　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.

 

　　其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 后台也应用在获取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.

 

二、Scrapy五大基本构成:
Scrapy框架主要由五大组件组成，它们分别是调度器(Scheduler)、下载器(Downloader)、爬虫（Spider）和实体管道(Item Pipeline)、Scrapy引擎(Scrapy Engine)。下面我们分别介绍各个组件的作用。

　　(1)、调度器(Scheduler):

　　调度器，说白了把它假设成为一个URL（抓取网页的网址或者说是链接）的优先队列，由它来决定下一个要抓取的网址是 什么，同时去除重复的网址（不做无用功）。用户可以自己的需求定制调度器。

　　(2)、下载器(Downloader):

　　下载器，是所有组件中负担最大的，它用于高速地下载网络上的资源。Scrapy的下载器代码不会太复杂，但效率高，主要的原因是Scrapy下载器是建立在twisted这个高效的异步模型上的(其实整个框架都在建立在这个模型上的)。

　　(3)、 爬虫（Spider）:

　　爬虫，是用户最关心的部份。用户定制自己的爬虫(通过定制正则表达式等语法)，用于从特定的网页中提取自己需要的信息，即所谓的实体(Item)。 用户也可以从中提取出链接,让Scrapy继续抓取下一个页面。

　　(4)、 实体管道(Item Pipeline):

　　实体管道，用于处理爬虫(spider)提取的实体。主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。

　　(5)、Scrapy引擎(Scrapy Engine):

　　Scrapy引擎是整个框架的核心.它用来控制调试器、下载器、爬虫。实际上，引擎相当于计算机的CPU,它控制着整个流程

 

三、scrap框架架构图

 

 

 四、Scrapy安装以及生成项目

1、安装scrapy框架所需jar包：

    打开终端cmd，依次执行如面几条指令：

　　python -m pip install --upgrade pip

　　pip install wheel

　　pip install lxml

　　pip install twisted

　　pip install pywin32

　　pip install scrapy

2、创建项目

　　scrapy startproject 项目名

　　scrapy genspider 爬虫名 域名

　　scrapy crawl 爬虫名

工程目录：

|-ProjectName #项目文件夹

　　|-ProjectName #项目目录

　　　　|-items.py #定义数据结构

　　　　|-middlewares.py #中间件

　　　　|-pipelines.py #数据处理

　　　　|-settings.py #全局配置

　　　　|-spiders

　　　　　　|-__init__.py #爬虫文件

　　　　　　|-baidu.py

　　|-scrapy.cfg #项目基本配置文件