scrapy简单入门

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。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。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。整体架构大致如下

 

Scrapy主要包括了以下组件：

引擎(Scrapy)
用来处理整个系统的数据流, 触发事务(框架核心)

调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个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

下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

爬虫(Spiders)
爬虫是主要干活的, 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

项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，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。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

 

scrapy基本命令：

    通过scrapy -h可以列出基本的命令

scrapy -h

Available commands:
  bench         Run quick benchmark test
  fetch         Fetch a URL using the Scrapy downloader
  genspider     Generate new spider using pre-defined templates
  runspider     Run a self-contained spider (without creating a project)
  settings      Get settings values
  shell         Interactive scraping console
  startproject  Create new project
  version       Print Scrapy version
  view          Open URL in browser, as seen by Scrapy

  [ more ]      More commands available when run from project directory

Use "scrapy -h" to see more info about a command

• scrapy bench 用于测试运行环境硬件的性能，测试该配置最大的爬取性能 
• scrapy fetch 用于显示爬取的过程，使用时需要加上连接， scrapy fetch http://www.baidu.com
• scrapy genspider 主要用于根据模板创建爬虫文件

        （1）scrapy genspider -l 可以列出模板类型， 一般情况有四种，分别是basic， crawl， svfeed， xmlfeed，其中默认使用basic模板， crawl主要用于自动爬取功能

        （2）scrapy genspider -t basic test www.baidu.com 根据basic模板创建一个关于baidu的爬虫文件，基本内容为：

# -*- coding: utf-8 -*-
import scrapy


class TestSpider(scrapy.Spider):
    name = 'test'
    allowed_domains = ['www.baidu.com']
    start_urls = ['http://www.baidu.com/']

    def parse(self, response):
        pass

        如果使用crwal模板创建，与basic有什么区别呢？我们可以scrapy genspider -t crawltest www.baidu.com创建相关代码：

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class Test2Spider(CrawlSpider):
    name = 'test2'
    allowed_domains = ['www.baidu.com']
    start_urls = ['http://www.baidu.com/']

    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True), 
        # 用于自动爬取连接中带有allow='Items/'的url
        #例如如果爬取的页面中存在多个url， 该爬虫会只爬取url中存在有Items/该字段的url
    )

    def parse_item(self, response):
        i = {}
        #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
        #i['name'] = response.xpath('//div[@id="name"]').extract()
        #i['description'] = response.xpath('//div[@id="description"]').extract()
        return i

         主要区别在于多了rules的规则

   

• scrapy runspider 用于运行爬虫文件， 例如运行test文件， scrapy runspider test.py
• scrapy shell 用于进入爬虫交互终端
• scrapy startproject 用于创建爬虫的项目

        （1）爬虫项目与爬虫的区别，是一个包含的关系，爬虫项目可以包含多个爬虫文件

        （2）说明一下startproject 与 genspider的区别，一个用于创建爬虫项目，默认包含创建爬虫文件， 一个用于创建爬虫文件

• scrapy view 用于下载连接文件，并在浏览器打开这个文件

scrapy项目中的基本命令：

    首先通过cmd使用scrapy startproject test2创建一个项目，在进入该项目中cd test2， 通过scrapy -h 继续获取项目基本命令

Available commands:
  bench         Run quick benchmark test
  check         Check spider contracts
  crawl         Run a spider
  edit          Edit spider
  fetch         Fetch a URL using the Scrapy downloader
  genspider     Generate new spider using pre-defined templates
  list          List available spiders
  parse         Parse URL (using its spider) and print the results
  runspider     Run a self-contained spider (without creating a project)
  settings      Get settings values
  shell         Interactive scraping console
  startproject  Create new project
  version       Print Scrapy version
  view          Open URL in browser, as seen by Scrapy
 

可以发现比之前的多了几个命令

• scrapy check 用于测试爬虫文件
• scrapy list 列出当前项目中的爬虫文件
• scrapy edit 用于编辑爬虫文件
• scrapy parse 用于获取指定的网页
• scrapy crawl 运行爬虫 

下一篇将通过相关示例对scrapy进行入门