python爬虫之scrapy框架

Posted 2020-09-18

　　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。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

• 引擎(Scrapy)
  用来处理整个系统的数据流处理, 触发事务(框架核心)
• 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. 可以想像成一个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
• 下载器(Downloader)
  用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
• 爬虫(Spiders)
  爬虫是主要干活的, 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
• 项目管道(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。
• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares)
  介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)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. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

linux系统

pip3 install scrapy

Windows系统

#scrapy 的一些依赖：pywin32、pyOpenSSL、Twisted、lxml 、zope.interface。（安装的时候，注意看报错信息）

#安装wheel
pip3 install wheel-i http://pypi.douban.com/simple --trusted-host pypi.douban.com

#安装这个依赖包，才有安装上Twisted
pip3 install Incremental -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

#再pip3安装Twisted，但是还是安装不成功，会报错。（解决其它依赖问题）
pip3 install Twisted -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

#再进入软件存放目录，再安装就可以成功啦。
pip3 install Twisted-17.1.0-cp35-cp35m-win32.whl

#安装scrapy
pip3 install scrapy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

#pywin32
下载：https://sourceforge.net/projects/pywin32/files/

检查pywin32是否安装成功。

C:\\Users\\Administrator>python
Python 3.5.2 (v3.5.2:4def2a2901a5, Jun 25 2016, 22:01:18) [MSC v.1900 32 bit (Intel)] on win32
Type "help", "copyright", "credits" or "license" for more information.

>>> import win32api
>>> import win32con
>>> win32api.MessageBox(win32con.NULL, ‘Python 你好！‘, ‘你好‘, win32con.MB_OK)

二、基本使用

1. 基本命令

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

1. scrapy startproject 项目名称    - 在当前目录中创建中创建一个项目文件（类似于Django）   2. scrapy genspider [-t template] <name> <domain>    - 创建爬虫应用    如：       scrapy gensipider -t basic oldboy oldboy.com       scrapy gensipider -t xmlfeed autohome autohome.com.cn    PS:       查看所有命令：scrapy gensipider -l       查看模板命令：scrapy gensipider -d 模板名称   3. scrapy list    - 展示爬虫应用列表   4. scrapy crawl 爬虫应用名称    - 运行单独爬虫应用

pass