Python 爬虫框架 Scrapy 简介、安装、配置、入门示例

Scrapy是一个快速屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化数据，Scrapy用途广泛，可以用于数据挖掘、舆情监测和自动化测试

一、Scrapy简介

1、整体框架

2、Scrapy组成部分

（1）引擎（Scrapy Engine）： 用来处理整个系统的数据流处理，触发事务。
（2）调度器（Scheduler）： 用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。可以决定下载器下一步下载的网址并去除重复的网址
（3）下载器（Downloader）： 用来下载网页内容，并将网页内容返回给爬虫（Spiders）
（4）爬虫（Spiders）： 从特定的网页中提取需要的信息。可以用它来制定特定网页的解析规则，提取特定的实体（Item）或URL链接。每一个Spider负责一个或者多个特定的网站。
（5）项目管道（Item Pipeline）： 负责处理爬虫从网页中抽取的实体，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。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
（6）下载器中间件(Downloader Middlewares)： 位于Scrapy引擎和爬虫之间的子框架，主要处理Scrapy引擎与下载器之间的请求及响应。
（7）爬虫中间件（Spider Middlewares)： 介于Scrapy引擎和爬虫之间的框架，主要工作是处理爬虫的响应输入和请求输出。
（8）调度中间件(Scheduler Middewares)：介于Scrapy引擎和调度之间的中间件，处理从Scrapy引擎发送到调度的请求和响应。

3、Scrapy运行流程

（1）引擎打开一个域名，指定Spider来处理这个域名，并让Spider获取第一个要爬取的URL。
（2）引擎从Spider中获取第一个要爬的URL，并在调度器以Request请求调度
（3）引擎向调度器请求下一个要爬取的URL
（4）调度返回下一个要爬取的URL给引擎，引擎通过下载中间件将URL发送到下载器
（5）当网页下载完毕后，下载器生成一个该网页的Response响应，并将其通过下载中间件发送给引擎
（6）引擎从下载器接收到Response响应，并通过Spider中间件发送给Spider处理
（7）Spider处理Response响应，并返回爬取到Item和新的Request请求给引擎
（8）引擎将爬取到的Item给Item Pipeline，将新的Request请求发送给调度器。
（9）重复（2）以后的操作，直到调度器中没有新的Request请求，引擎断开与该域名的链接。

二、Scrapy 安装

1、执行下面命令
pip install Scrapy

2、通过PyCharm安装 （安装第三方类库的方法一样）

file ——》seting

安装成功后验证一下
cmd
输入 Scrapy:

三、创建一个scrapy项目

1、创建一个新的项目Project

输入命令：
scrapy startproject tutorial

创建成功！

打开！

下面来简单介绍一下各个文件的作用：

scrapy.cfg：项目的配置文件
tutorial/：项目的Python模块，将会从这里引用代码
tutorial/items.py：项目的items文件
tutorial/pipelines.py：项目的pipelines文件
tutorial/settings.py：项目的设置文件
tutorial/spiders/：存储爬虫的目录

建立完成项目后：
（1）在items.py文件中定义一些字段，这些字段用来临时存储你需要保存的数据。方便后面保存数据到其他地方，比如数据库或者本地文本之类的
（2）在spiders文件夹中编写自己的爬虫
（3）在pipelines.py中存储自己的数据
（4）不是非做不可的，就settings.py文件并不一定要编辑的，只有有需要的时候才会编辑。

2、明确目标