scrapy 框架

scrapy框架的流程图

1、scrapy框架主要为个块

（1）Scrapy Engine(引擎)： 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
       (2)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。
       (3)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
       (4)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)
       (5)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.
       (6)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。
       (7)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）

2、制作 Scrapy 爬虫 一共需要4步

1、新建项目: scrapy startproject 爬虫项目名称
2、新建一个新的爬虫明确目标:（编写items.py）：明确你想要抓取的目标
3、制作爬虫scrapy genspider 爬虫文件名称 域名: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

3、scrapy 框架配置和安装

1、Ubuntu 安装方式：sudo pip3 install scrapy

4、scrapy框架的使用

1、创建爬虫项目：scrapy startproject 项目名

2、新建爬虫文件：scrapy genspider 爬虫的名字 域名

3、明确我们的目标，就是我们所要抓取的url

4、打开项目文件下的item.py文件，在这里我们要写入我们所需要获取的数据字段

5、打开settings.py文件我们需要在这里配置爬虫需要的信息

6、打开爬虫文件，在这里我们从item里获取需要解析的字段进行解析以及提取所需要的url用yield回调。注意：yield 的作用就是把一个函数变成一个 generator（生成器），带有 yield 的函数不再是一个普通函数，Python 解释器会将其视为一个 generator，带有yeild的函数遇到yeild的时候就返回一个迭代值，下次迭代时， 代码从 yield 的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行， 直到再次遇到 yield。

这里的name是指爬虫的名字
allowed_domains指的是允许爬虫访问的域
atart_urls指的是我们的初始目标url

6、Scrapy Item pipeline(管道文件)使用

1、Item Pipeline 当Item在Spider中被收集之后，它将会被传递到Item Pipeline，这些Item Pipeline组件按定义的顺序处理Item。每个Item Pipeline都是实现了简单方法的Python类，比如决定此Item是丢弃而存储。
在这里我们把管道作为储存和过滤

例如：

在这里我们把数据保存至mongodb数据库中，在设置好ip和数据库的端口之后，
指定它要存入的数据库和集合，如果没有那个数据库和集合，代码会帮我们自动创建

7、下载项目图片(下载到本地)

1、可以现在seetings.py文件里面定义一个本地图片的保存路径,例如：IMAGES_STORE = '/home/ljh/桌面/1804爬虫/jobboleImage'

2、在items里面定义好项目图片的url,以及本地存储路径的字段

3、在爬虫文件里面对图片地址进行解析

4、解析好的url返回给管道，进行响应以及对图片的下载，具体操作如下