[分布式爬虫]谈谈框架Scrapy

[分布式爬虫]谈谈框架Scrapy

Scrapy架构

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）

Scrapy的运作流程

代码写好，程序开始运行…

• 1 引擎：Hi！Spider, 你要处理哪一个网站？
• 2 Spider：老大要我处理xxxx.com。
• 3 引擎：你把第一个需要处理的URL给我吧。
• 4 Spider：给你，第一个URL是xxxxxxx.com。
• 5 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
• 6 调度器：好的，正在处理你等一下。
• 7 引擎：Hi！调度器，把你处理好的request请求给我。
• 8 调度器：给你，这是我处理好的request
• 9 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
• 10 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）
• 11 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）
• 12 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。
• 13 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。
• 14 管道调度器：好的，现在就做！

注意！只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。

Scrapy 使用

安装

pip install Scrapy

制作 Scrapy 爬虫四板斧

1. 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
2. 明确目标 （编写items.py）：明确你想要抓取的目标
3. 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
4. 存储内容 （pipelines.py）：设计管道存储爬取内容

入门项目

爬取传智讲师个人信息

模拟登陆人人网

Scrapy的下载器中间件

下载器中间键可以为我们设置多个代理ip与请求头，达到反反爬虫的目的

下载器中间件类

下面是中间件中的下载器函数，我们主要在这个函数里面进行操作

Process_request(self,request,spider)

• 参数

request:发送请求的request对象

spider:发送请求的spider对象

• 此方法若返回None，Scrapy将继续处理此Request，直到 其他下载器中间件被调用

• 此方法若返回Response对象：不再返回下载器，直接返回给引擎

• 返回Request对象：使用现在返回的Request

图解

Process_response(self,request,response,spider):

• 参数

request: request对象

response:被处理的response对象

• 返回值

返回response对象：会将这个对象按序传给其他中间件，最终经过引擎给到爬虫

返回request对象：下载器链接切断，返回的request重新被下载器调度，最终经过引擎给到爬虫

返回request对象：下载器链接切断，返回的request重新被下载器调度

中间件应用

设置随机请求头