Python爬虫速成------Scrapy框架

Scrapy框架

Scrapy is a fast high-level web crawling and web scraping framework, used to crawl websites and extract structured data from their pages. It can be used for a wide range of purposes, from data mining to monitoring and automated testing.

                                                                                                        ---------来自官方文档的介绍

1. Engine从Spider处获得爬取请求(Request)
2. Engine将爬取请求转发给Scheduler，用于调度
3. Engine从Scheduler处获得下一个要爬取的请求
4. Engine将爬取请求通过中间件发送给Downloader
5. 爬取网页后，Downloader形成响应（Response）通过中间件发给Engine
6. Engine将收到的响应通过中间件发送给Spider处理
7. Spider处理响应后产生爬取项（scraped Item）和新的爬取请求（Requests）给Engine
8. Engine将爬取项发送给Item Pipeline（框架出口）
9. Engine将爬取请求发送给Scheduler

Engine控制各模块数据流，不间断从Scheduler处获得爬取请求，直至请求为空。

数据流的出入口

框架入口：Spider的初始爬取请求

框架出口：Item Pipeline

用户只需编写(配置)Spider和Item Pipeline

Engine

1. 控制所有模块之间的数据流
2. 根据条件触发事件

不需要用户修改

Downloader

根据请求下载网页

不需要用户修改

Scheduler

对所有爬取请求进行调度管理

不需要用户修改

Downloader Middleware

目的：实施Engine、Scheduler和Downloader之间进行用户可配置的控制

功能：修改、丢弃、新增请求或响应

用户可以编写配置代码

Spider

1. 解析Downloader返回的响应（Response）
2. 产生爬取项（scraped item）
3. 产生额外的爬取请求（Request）

需要用户编写配置代码

Item Pipelines

1. 以流水线方式处理Spider产生的爬取项
2. 由一组操作顺序组成，类似流水线，每个操作是一个Item Pipeline类型
3. 可能操作包括：清理、检验和查重爬取项中的HTML数据、将数据存储到数据库

需要用户编写配置代码

Spider Middleware

目的：对请求和爬取项的再处理

功能：修改、丢弃、新增请求或爬取项

用户可以编写配置代码

requests 和 Scrapy的异同

相同点：

1. 两者都可以进行页面请求和爬取，Python爬虫的两个重要技术路线
2. 两者可用性都好，文档丰富，入门简单
3. 两者都没有处理js、提交表单、应对验证码等功能（可扩展）

不同点：

requests	Scrapy
页面级爬虫	网站级爬虫
功能库	框架
并发性考虑不足，性能较差	并发性好，性能较高
重点在于页面下载	重点在于爬虫结构
定制灵活	一般定制灵活，深度定制困难
上手十分简单	入门稍难

Scrapy常用命令

命令	说明	格式
startproject	创建一个新工程	scrapy startproject [dir]
genspider	创建一个爬虫	scrapy genspider [options]
settings	获得爬虫配置信息	scrapy settings [options]
crawl	运行一个爬虫	scrapy crawl
list	列出工程中所有爬虫	scrapy list
shell	启动URL调试命令行	scrapy shell [url]

生成的工程目录

PS E:\scrapyDemo> tree /f                                 
卷 软件 的文件夹 PATH 列表
卷序列号为 54DD-69A2
E:.
│  scrapy.cfg ------------------->>部署Scrapy爬虫的配置文件
│
└─scrapyDemo ------------>>Scrapy框架的用户自定义Python代码
    │  items.py -------------->>Items代码模板（继承类）
    │  middlewares.py ------->>Middlewares代码模板（继承类）
    │  pipelines.py --------->>Pipelines代码模板（继承类）
    │  settings.py -------->>Scrapy爬虫的配置文件
    │  __init__.py --------->>初始化脚本
    
    │
    ├─spiders -------------->>Spiders代码模板目录（继承类）
    │  │  firstSpider.py ------>>生成的爬虫
    │  │  __init__.py ------>>初始文件，无需修改
    │  │
    │  └─__pycache__ -------->>缓存目录，无需修改
    │          firstSpider.cpython-37.pyc
    │          __init__.cpython-37.pyc
    │
    └─__pycache__ ----------->>缓存目录，无需修改
            settings.cpython-37.pyc
            __init__.cpython-37.pyc

Scrapy爬虫的使用步骤

步骤1：创建一个工程和Spider模板

步骤2：编写Spider

步骤3：编写Item Pipeline

步骤4：优化配置策略

Scrapy爬虫的数据类型

1. Request类

   Request对象表示一个HTTP请求，由Spider生成，由Downloader执行

2. Response类

   Response对象表示一个HTTP响应，由Downloader生成，由Spider处理

3. Item类

   Item对象表示一个从HTML页面中提取的信息内容，由Spider生成，由Item Pipeline处理，Item类似字典类型，可以按照字典类型操作

Scrapy爬虫支持多种HTML信息提取方法：

• Beautiful Soup
• lxml
• re
• XPath Selector
• CSS Selector

推荐课程《Python网络爬虫与信息提取 》