python爬虫Scrapy框架详解！

一、scrapy简介       

Scrapy 是用纯 Python 实现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， 用途非常广泛。

框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页 内容以及各种图片，非常之方便。

Scrapy 使用了 Twisted['twɪstɪd](其主要对手是 Tornado)异步网络框架来处理网络通讯， 可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

二、Scrapy 架构图(绿线是数据流向)：

Scrapy Engine(引擎): 负责 Spider、ItemPipeline、Downloader、Scheduler 中间的通讯， 信号、数据传递等。

Scheduler(调度器): 它负责接受引擎发送过来的 Request 请求，并按照一定的方式进行 整理排列，入队，当引擎需要时，交还给引擎。

Downloader（下载器）：负责下载 Scrapy Engine(引擎)发送的所有 Requests 请求，并将 其获取到的 Responses 交还给 Scrapy Engine(引擎)，由引擎交给 Spider 来处理，

Spider（爬虫）：它负责处理所有 Responses,从中分析提取数据，获取 Item 字段需要的 数据，并将需要跟进的 URL 提交给引擎，再次进入 Scheduler(调度器)，

Item Pipeline(管道)：它负责处理 Spider 中获取到的 Item，并进行进行后期处理（详细 分析、过滤、存储等）的地方。

Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能 的组件。

Spider Middlewares（Spider 中间件）：你可以理解为是一个可以自定扩展和操作引擎和 Spider 中间通信的功能组件（比如进入 Spider 的 Responses;和从 Spider 出去的 Requests）

三、Scrapy 的运作流程

代码写好，程序开始运行...

引擎：Hi！Spider, 你要处理哪一个网站？

Spider：老大要我处理 xxxx.com。

引擎：你把第一个需要处理的 URL 给我吧。

Spider：给你，第一个 URL 是 xxxxxxx.com。

引擎：Hi！调度器，我这有 request 请求你帮我排序入队一下。

调度器：好的，正在处理你等一下。

引擎：Hi！调度器，把你处理好的 request 请求给我。

调度器：给你，这是我处理好的 request

引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个 request 请求

下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个 request 下载失败

了。然后引擎告诉调度器，这个 request 下载失败了，你记录一下，我们待会儿再下载）

引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你

自己处理一下（注意！这儿 responses 默认是交给 def parse()这个函数处理的）

Spider：（处理完毕数据之后对于需要跟进的 URL），Hi！引擎，我这里有两个结果，

这个是我需要跟进的 URL，还有这个是我获取到的 Item 数据。

引擎：Hi ！管道 我这儿有个 item 你帮我处理一下！调度器！这是需要跟进 URL 你帮

我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。

管道``调度器：好的，现在就做！

制作 Scrapy 爬虫 一共需要 4 步：

新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目

明确目标 （编写 items.py）：明确你想要抓取的目标

制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页

存储内容 （pipelines.py）：设计管道存储爬取内容

具体流程

1、环境搭建---scrapy

      pip install scrapy

2、创建项目

      scrapy startproject 项目名称

3、第一个爬虫项目

     1.scrapy startproject baidu

     2.pycharm 打开项 目

     3.在 spider 文件夹下，新建 baidu.py 文件

4. cd 项目目录，启动爬虫，命令：scrapy crawl baidu baidu.com

四、爬虫去重

在一个网站当中，往往有很多页面，这些页面的引用“你中有我，我中有你”，如果过滤 掉“之间”已经爬取的页面呢？

在 scrapy 当中，我们可以在 scrapy.Request 中加入 dont_filter=False(默认去重)，如果 dont_filter=True,将会死循环。

五、spider源码参考