2019-06-21爬虫框架

1. 爬虫框架：

• scrapy
• pyspider
• crawley

scrapy框架介绍

• https://doc.scrapy.org/en/latest/
• http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html
  scrapy概述
  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。
  Scrapy Engine:神经中枢，大脑，核心
  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。
  Scheduter调度器：引擎发来的request请求，调度器需要处理，然后交换引擎，
  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。
  Downloader下载器：把引擎发来的requests发出请求，得到response
  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)。
  Spider爬虫：负责把下载器得到的网页/结果进行分解，分解成数据+链接
  爬虫，是用户最关心的部份。用户定制自己的爬虫，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。
  Item Pipeline管理：详细处理item
  实体管道，用于处理爬虫提取的实体。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。
  DownloaderMiddleware下载中心件：自定义下载的功能扩展组件
  SpiderMiddleware爬虫中间件：对spider进行功能扩展

image.png

Scrapy请求发出去的整个流程

Scrapy运行时,请求发出去的整个流程大概如下：

1.首先爬虫将需要发送请求的url(requests)经引擎交给调度器;

2.排序处理后，经ScrapyEngine，DownloaderMiddlewares(有User_Agent, Proxy代理)交给Downloader;

3.Downloader向互联网发送请求，并接收下载响应.将响应经ScrapyEngine，可选交给Spiders;

4.Spiders处理response，提取数据并将数据经ScrapyEngine交给ItemPipeline保存;

5.提取url重新经ScrapyEngine交给Scheduler进行下一个循环。直到无Url请求程序停止结束。

爬虫项目大概流程：
新建项目：scrapy startproject XXX
明确需要目标/产出：编写item.py
制作爬虫：地址 spider/xxxspider.py
存储内容：pipelines.py

ItemPipeline
-对应的是pipelines文件
爬出提取出数据存入item后。item中 保存的数据需要进一步处理，比如清洗，去重，存储等
pipeline需要处理process_item函数
process_item:
spider提取出来的item作为参数传入，同时传入的参数还有spider
此方法必须实现
必须返回一个item对象，被丢弃的item不会被之后的pipeline处理

• _init_:构造函数，进行一些必要的参数初始化
• open_spider(spider)
  spider对象被开启时被调用
• close_spider(spider)
  spider对象被关闭时被调用
• Spider
  对应的是文件夹spider下的文件
  _init_：初始化爬虫名称，start_urls列表
  start_requests:生成Reaquests对象交给Scrapy下载并返回response
  parse:根据返回的response解析出对应的item。item自动进入pipeline，如果需要，解析出url，url自动交给requests模块，一直循环下去
  start_request:此方法仅能被调用一次，读取start_urls内容并启动循环过程
  neme:设置爬虫名
  start_urls:设置开始第一批爬取的url
  allow_domains:允许爬取的域名列表
  start_request(self):只被调用一次
  parse
  log:日志记录