Python爬虫学习（scrapy框架）一

Scrapy入门

Scrapy是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。它使用Twisted 这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。
个人认为Scrapy是Pytho世界里最强大的爬虫框架，没有之一，它比BeautifulSoup更加完善，BeautifulSoup可以说是轮子，而Scrapy则是车子，不需要你关注太多的细节。Scrapy不仅支持python2.7，Python3也支持。

安装scrapy

pip install scrapy

Pip是一个python包管理工具，主要是用于安装pypi上的软件包，可以代替easy_install工具。没有安装过的建议安装一下，经常用到，具体安装自行百度一下～

如果安装出现报错Vc++14.0 Twisted 等问题
解决方法：采用离线安装
安装地址 https://www.lfd.uci.edu/~gohlke/pythonlibs/
在里面找到Twisted 对应的版本

然后终端中运行scrapy

再运行scrapy bench

如果是两步都没问题那就安装完成了

*scrapy bench 运行的时候报错 —> win 32
解决方法 :pip install pywin32

Scrapy原理

Scrapy五大基本构成:

Scrapy框架主要由五大组件组成，它们分别是调度器(Scheduler)、下载器(Downloader)、爬虫（Spider）和实体管道(Item Pipeline)、Scrapy引擎(Scrapy Engine)。下面我们分别介绍各个组件的作用。

(1)、调度器(Scheduler):

调度器，说白了把它假设成为一个URL（抓取网页的网址或者说是链接）的优先队列，由它来决定下一个要抓取的网址是 什么，同时去除重复的网址（不做无用功）。用户可以自己的需求定制调度器。

(2)、下载器(Downloader):

下载器，是所有组件中负担最大的，它用于高速地下载网络上的资源。Scrapy的下载器代码不会太复杂，但效率高，主要的原因是Scrapy下载器是建立在twisted这个高效的异步模型上的(其实整个框架都在建立在这个模型上的)。

(3)、 爬虫（Spider）:

爬虫，是用户最关心的部份。用户定制自己的爬虫(通过定制正则表达式等语法)，用于从特定的网页中提取自己需要的信息，即所谓的实体(Item)。 用户也可以从中提取出链接,让Scrapy继续抓取下一个页面。

(4)、 实体管道(Item Pipeline):

实体管道，用于处理爬虫(spider)提取的实体。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。

(5)、Scrapy引擎(Scrapy Engine):

Scrapy引擎是整个框架的核心.它用来控制调试器、下载器、爬虫。实际上，引擎相当于计算机的CPU,它控制着整个流程。

Scrapy运行流程如下：

1. 引擎从调度器中取出一个链接（URL）用于接下里的抓取
2. 引擎吧URL封装成一个请求（Rcqucst）传给下载器
3. 下载器把资源下载下来，并封装成应答包（Response）
4. 爬虫解析Response
5. 解析出尸体（ltem），则交给实体管道进行一步的处理
6. 解析出的是链接（URL），则把URL交给调度器等待抓取

Time：2020/12/29
Name：Eamon