从零开始写Python爬虫 --- 2.1 Scrapy 爬虫框架的安装与基本介绍

Posted 2021-04-25 翻山越岭breakwall

这次我们要介绍一个及其强大的爬虫框架---Scrapy，相比于前面我们写的bs4爬虫来说，这次要学习的框架更加的具有规模性，具有良好的并发性能，话不多说，让我们开始吧。

Srapy框架的安装：

无论是在windows还是mac下，都可以是用pip工具进行快速安装：
pip install scrapy

• 这里推荐一个非常好用的Python调试shell：ipython

ipython是一种基于Python的交互解释器，比原生的Python shell提供了更加强大的编辑和交互功能，比如，代码高亮，自动补全等等。
我们依旧用pip工具进行安装:
pip install ipython

Scrapy框架的基本介绍:

首先，我们得明白一点，Scrapy不是一个功能函数库，而是一个爬虫框架，简单的说，他是一个半成品，可以帮助用户简单快速的部署一个专业的网络爬虫。如果说前面我们写的定制bs4爬虫是”手动挡“，那Scrapy就相当于”半自动档“的车。

Scrapy框架结构:

首先来一张框架整体的图：

从图中我们可以清楚的看到，整个框架一共分为五个部分：
* SPIDERS
* ITEM PIPELINES
* DOWNLOADER
* SCHEDULER
* ENGIINE
这五个部分互相协作，共同完成了整个爬虫项目的工作。下面我们来一个一个介绍。

• SPIDERS:

Spiders这个模块就是整个爬虫项目中需要我们手动实现的核心部分，就是类似我们之前写的get_content函数部分，最主要的功能是 解析网页内容、产生爬取项、产生额外的爬去请求。

• ITEM PIPELINES：

  这个模块也是需要我们手动实现的，他的主要功能是将我们爬取筛选完毕的数据写入文本，数据库等等。总之就是一个“本地化”的过程。

• DOWNLOADER：

  这个模块，是Scrapy帮我们做好的，不需要我们自己编写，直接拿来用就行，其主要功能就是从网上获取网页内容，类似于我们写的get_html函数，当然，比我们自己写的这个简单的函数要强大很多

• SCHEDULER：

  这个模块对所有的爬取请求，进行调度管理，同样也是不需要我们写的模块。通过简单的配置就能达到更加多线程，并发处理等等强大功能。

• ENGIINE
  这个模块相当于整个框架的控制中心，他控制着所有模块的数据流交换，并根据不同的条件出发相对应的事件，同样，这个模块也是不需要我们编写的。

Scrapy框架的数据流动：

先上一张图：

说了各个模块的作用，那么整个项目跑起来的时候，数据到底是怎么运作的呢？让我来详细说明：

1 Engine从Spider处获得爬取请求(request)
2 Engine将爬取请求转发给Scheduler，调度指挥进行下一步
3 Engine从Scheduler出获得下一个要爬取的请求
4 Engine将爬取请求通过中间件发给Downloader
5 爬取网页后后，downloader返回一个Response给engine
6 Engine将受到的Response返回给spider处理
7 Spider处理响应后，产生爬取项和新的请求给engine
8 Engine将爬取项发送给ITEM PIPELINE（写出数据）
9 Engine将会爬取请求再次发给Scheduler进行调度（下一个周期的爬取）

系统化入门？

Scrapy是一个很强大的爬虫框架，用起来很方便，但是要定制高级的功能就不是那么简单的了。我这里只是简单的介绍了一下框架的基本原理，但具体如何使用不是一时半会能够说完的，当然，我会在后面的例子中一一展现这个框架的高级功能。

如果你想要更加系统化的学习理解这个框架：

我推荐官方的文档：
如果英文水平不好同学，我推荐下面两个文档：
1 文档中文翻译版：
2 scrapy 中文手册： 

这篇文章写得很“干”，我尽量写得通俗易懂一点，这个系列专栏一直都是以面向初学者为标准，所以写得很白，也可能会有些地方出错，希望各位包涵一下。但是我觉得，一开始不要去接触那么多条条框框，大概心里有个方向就足够你展开下一步更深的学习了！