scrapy爬虫框架及运行流程

1 scrapy 简介

1.1 什么是爬虫？

爬虫相当于在互联网上爬行的蜘蛛，如果遇到需要的资源，那么它就会抓取下来（html内容）；模拟浏览器快速访问页面内容。

1.2 浏览网页的过程中发生了什么？

例：浏览器输入http://www.baidu.com

• 1、根据配置的DNS获取www.baidu.com对应的主机ip；
• 2、根据端口号知道跟服务器的那个软件进行交互；
• 3、百度的服务器接收客户端请求；
• 4、给客户端主机一个响应（html内容）——html，css，js
• 5 、浏览器根据html内容解释值型，粘是出华丽的页面；

1.3 scrapy爬虫框架

scrapy是一个纯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。
scrapy最吸引人的地方在于它是一个框架，任人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

1.4 scrapy爬虫框架优势

• 1） 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，非常方便。
• 2） srapy使用了TWisted异步网络框架来处理网络通讯，加快网页下载速度，不需要自己实现异步框架和多线程等，并且包含了各种中间件接口，灵活完成各种需求。

2 scrapy 构架图

• crapy 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）。

3 Scrapy构架流程

代码写好，程序开始运行
1 引擎：Hi，Spider，你要处理哪个网站？
2 Spider：老大要我处理xxx.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xxx.com。
5 引擎：HI！调度器，王这有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，你记录以下，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好了，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需要跟进的URL），HI,引擎，王这里有两个结果，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，王这儿有个item你帮我处理一下！调度器！这是需要跟进的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的全部信息。
14 管道‘’调度器：好的，现在就做！

4 scrapy 运作过程

4.1 实现步骤

4.1.1 工程创建

scrapy startproject xxx
cd xxx  #进入爬虫项目文件下
tree   

4.1.2 创建爬虫

scrapy genspider xxx(爬虫名) xxx.com（爬取域）

4.1.3 生成文件

scrapy crawl xxx -o xxx.json(生成某种类型的文件)

4.1.4 运行爬虫

scrapy crawl xxx

4.1.5 列出所有爬虫

scrapy list

4.1.6 获得配置信息

scrapy setting[option]

4.2 爬虫流程分析

• 1 确定url地址；
• 2 获取页面信息；（urllib,requests）
• 3 解析页面提取所需要的数据；（正则表达式，bs4，xpath）
• 4 保存到本地（csv，json，pymysql，redis）
• 5 清洗数据（删除不必须的内容----正则表达式）；

5 Selenium八种元素定位方式

5.1 查看页面元素

打开网页，鼠标点击右键，在显示框中选择inspect，就可以看到整个页面的html代码，鼠标移动到页面中自己想要选择的位置，右侧相应内容的代码段会蓝色高亮显示。

5.2 元素定位

5.2.1 id定位

find_element_by_id()

5.2.2 name 定位

find_element_by_name()

5.2.3 class定位

find_element_by_class_name()

5.2.4 tag定位

find_element_by_tag_name()

5.2.5 link 定位

find_element_by_link_text()

5.2.6 partical_link定位

find_element_by_partical_link_name()

5.2.7 xpath定位

find_element_by_xpath()

5.2.8 css定位

find_element_by_css_selector()