Scrapy 爬虫框架15分钟快速入门

前言

学Python已经有一段时间了，听说Python爬虫很强大。抽空学习了Scrapy框架。近一个月爬取了不下10万条的某某网站的数据。不能说精通Scrapy，但是已经对Scrapy有一定的熟悉。准备写一系列关于Scrapy爬虫的教程，一方面巩固自己的知识，另一方面帮助更多的人学习爬虫相关知识。

Scrapy简介

Scrapy是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。

架构概览

scrapy_architecture.png

咋一看这张架构图有点复杂，仔细分析一下其实也不难理解。

组件

Scrapy Engine（引擎）

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。 详细内容查看下面的数据流(Data Flow)部分。

此组件是爬虫的“大脑”，负责控制数据在系统中所有组件的流动。（数据从网络获取->一系列处理->结构化存储）

Scheduler（调度器）

调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。

刚开始爬取的URL和后续爬取的URL将进去调度器，等待爬取。调度器有自动去除重复的URL的功能，也可配置不去重。

Downloader（下载器）

下载器负责获取页面数据并提供给引擎，而后提供给spider。

看上图，Engine向Scheduler请求一个待爬取的URL，接着发出请求给Downloader下载器下载数据。

Spiders

Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。

这个就是你写正则解析爬取的数据的地方，封装成指定的的item结构再传送给Pipeline、或者把之后的URL请求传递给Scheduler（见上图有个箭头指向Scheduler）。

Downloader middlewares（下载器中间件）

简单来说，可以在该中间件添加User-Agent，、IP代理等。

Spider middlewares（Spider中间件）

该中间件负责处理Downloader返回的response信息和从Spider发出去的Request（下一步请求）、Item对象（结构化的对象进入Pipline）

Item Pipeline

负责处理被Spider提取出来的item，可以在这里进行清理、验证、持久化处理等。

创建Scrapy项目流程

如果你看了以上的解释还不是很懂的话，接下来我们将创建一个项目来增强理解。
首先保证你的电脑已经通过pip安装了scrapy，接着在命令行（学开发的不懂命令行，那就有点了）输入：

scrapy startproject proxyCrawler

该命令将创建包含一下内容的爬虫目录：

image.png

这些文件分别是：

• scrapy.cfg: 项目的配置文件。
• scrapyspider/: 该项目的python模块。之后您将在此加入代码。
• scrapyspider/items.py: 项目中的item文件。
• scrapyspider/pipelines.py: 项目中的pipelines文件。
• scrapyspider/settings.py: 项目的设置文件。
• scrapyspider/spiders/: 放置spider代码的目录。

编写爬虫

这篇文章主要介绍了Scrapy框架的基本知识，下一章我们将编写一个爬虫来爬取网上的免费代理：西刺代理、蘑菇代理等。敬请期待...

微信公众号Python小咖~欢迎来撩