Scrapy框架架构---学习笔记

Scrapy框架架构

Scrapy框架介绍：

写一个爬虫，需要做很多的事情。比如：发送网络请求、数据解析、数据存储、反反爬虫机制（更换ip代理、设置请求头等）、异步请求等。这些工作如果每次都要自己从零开始写的话，比较浪费时间。因此Scrapy把一些基础的东西封装好了，在他上面写爬虫可以变的更加的高效（爬取效率和开发效率）。因此真正在公司里，一些上了量的爬虫，都是使用Scrapy框架来解决。

Scrapy架构图：

1. 流程图（1）：
   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MGcG4eEa-1595311760352)(./scrapy_all.png)]

2. schedulers 调度器

   scrapy engine 引擎

   spiders 爬虫

   downloader 下载器

   itempipline 管道 存储 数据

   spider middlewares 爬虫中间件

   downloader middlewares 下载器中间件

3. 流程图（2）：

Scrapy[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FD1JOI8N-1595311760356)(\框架图.png)]框架模块功能：

1.爬虫发送请求 并不是马上发出去 而是引擎

2.再 发给调度器 调度器接收到url 以后 将url生成requests对象 存储到队列中

3.引擎从调度器种取出请求

4.引擎将requests对象 扔给下载器

5.下载器拿到请求从网上下载数据 再将数据 组装成response对象返回给引擎

6.引擎拿到response对象 返回给爬虫

7.爬虫对数据再进行分析 留下想要 的 数据 再返回给 引擎

8.引擎再给管道 存到 redis 或者mysql 或者 mongodb中

引擎和下载器 之间 有中间件 爬虫和 引擎之间 也有中间件

1. Scrapy Engine（引擎）：Scrapy框架的核心部分。负责在Spider和ItemPipeline、Downloader、Scheduler中间通信、传递数据等。类似于汽车发动机
2. Spider（爬虫）：发送需要爬取的链接给引擎，最后引擎把其他模块请求回来的数据再发送给爬虫，爬虫就去解析想要的数据。这个部分是我们开发者自己写的，因为要爬取哪些链接，页面中的哪些数据是我们需要的，都是由程序员自己决定。
3. Scheduler（调度器）：负责接收引擎发送过来的请求，并按照一定的方式进行排列和整理，负责调度请求的顺序等。
4. Downloader（下载器）：负责接收引擎传过来的下载请求，然后去网络上下载对应的数据再交还给引擎。
5. Item Pipeline（管道）：负责将Spider（爬虫）传递过来的数据进行保存。具体保存在哪里，应该看开发者自己的需求。
6. Downloader Middlewares（下载中间件）：可以扩展下载器和引擎之间通信功能的中间件。
7. Spider Middlewares（Spider中间件）：可以扩展引擎和爬虫之间通信功能的中间件。

Scrapy快速入门

安装和文档：

1. 安装：通过pip install scrapy即可安装。
2. Scrapy官方文档：http://doc.scrapy.org/en/latest
3. Scrapy中文文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

注意：

1. 在ubuntu上安装scrapy之前，需要先安装以下依赖：
   sudo apt-get install python3-dev build-essential python3-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev，然后再通过pip install scrapy安装。
2. 如果在windows系统下，提示这个错误ModuleNotFoundError: No module named 'win32api'，那么使用以下命令可以解决：pip install pypiwin32。
3. 下载 Twisted-18.9.0-cp36-cp36m-win_amd64.whl 然后放到指定的目录下 纯英文 没权限限制 切换到这个目录 pip install Twisted-18.9.0-cp36-cp36m-win_amd64.whl
4. pip install scrapy

快速入门：

创建项目：

要使用Scrapy框架创建项目，需要通过命令来创建。首先进入到你想把这个项目存放的目录。然后使用以下命令创建：

scrapy startproject [项目名称]

目录结构介绍：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HErkbSbH-1595311760359)(\目录结构.png)]

以下介绍下主要文件的作用：

  1. items.py：用来存放爬虫爬取下来数据的模型。
  2. middlewares.py：用来存放各种中间件的文件。
  3. pipelines.py：用来将`items`的模型存储到本地磁盘中。
  4. settings.py：本爬虫的一些配置信息（比如请求头、多久发送一次请求、ip代理池等）。
  5. scrapy.cfg：项目的配置文件。
  6. spiders包：以后所有的爬虫，都是存放到这个里面。

当引擎将下载组装的respons对象给 爬虫的时候

爬虫对数据进行分析

response.xpath() 详情 ctrl+鼠标点击 xpath 查看 其它的分析方法 返回的内容是 SelectorList

一下两个都是将其转成Unicode编码 并提取出来

get() 返回的是Selector 中的第一个文本

getall()返回的是Selector 中的所有文本 是个列表

使用Scrapy框架爬取糗事百科段子：

使用命令创建一个爬虫：

scrapy genspider qsbk "qiushibaike.com"

创建了一个名字叫做qsbk的爬虫，并且能爬取的网页只会限制在qiushibaike.com这个域名下。

爬虫代码解析：

import scrapy

class QsbkSpider(scrapy.Spider):
    name = 'qsbk'
    allowed_domains = ['qiushibaike.com']
    start_urls = ['http://qiushibaik