Python爬蟲之Scrapy學習
為什麼要用爬蟲框架？
如果你對爬蟲的基礎知識有了一定了解的話，那麼是時候該瞭解一下爬蟲框架了。那麼為什麼要使用爬蟲框架？
- 學習框架的根本是學習一種程式設計思想，而不應該僅僅侷限於是如何使用它。從瞭解到掌握一種框架，其實是對一種思想理解的過程。
- 框架也給我們的開發帶來了極大的方便。許多條條框框都已經是寫好了的，並不需要我們重複造輪子，我們只需要根據自己的需求定製自己要實現的功能就好了，大大減少了工作量。
- 參考並學習優秀的框架程式碼，提升程式設計程式碼能力
scrapy框架的介紹
比較流行的爬蟲的框架有scrapy和pyspider，但是被大家所鍾愛的我想非scrapy莫屬了。scrapy是一個開源的高階爬蟲框架，我們可以稱它為"scrapy語言"。它使用pythonscrapy有以下的一些特點：
scrapy基於事件的機制，利用twisted的設計實現了非阻塞的非同步操作。這相比於傳統的阻塞式請求，極大的提高了CPU的使用率，以及爬取效率。- 配置簡單，可以簡單地通過設定一行程式碼實現複雜功能。
- 可拓展，外掛豐富，比如分散式scrapy + redis、爬蟲視覺化等外掛。
- 解析方便易於使用，scrapy封裝了xpath等解析器，提供了更方便，更高階的selector構造器，可以有效的處理破損的HTML程式碼和編碼。
scrapy的架構
Scrapy官方文件圖片
元件
引擎(Engine)
引擎負責控制資料流在系統中所有元件中流動，並在相應動作發生時觸發事件。 詳細內容檢視下面的資料流(Data Flow)部分。
排程器(Scheduler)
排程器從引擎接受request並將他們入隊，以便之後引擎請求他們時提供給引擎。
下載器(Downloader)
下載器負責獲取頁面資料並提供給引擎，而後提供給spider。
爬蟲(Spiders)Spider是Scrapy使用者編寫用於分析response並提取item(即獲取到的item)或額外跟進的URL的類。 每個spider負責處理一個特定(或一些)網站。
專案管道(Item Pipeline)Item Pipelinespider提取出來的item。典型的處理有清理、 驗證及持久化(例如存取到資料庫中)。
下載器中介軟體(Downloader middlewares)
下載器中介軟體是在引擎及下載器之間的特定鉤子(specific hook)，處理Downloader傳遞給引擎的response。 其提供了一個簡便的機制，通過插入自定義程式碼來擴充套件Scrapy功能。
爬蟲中介軟體(Spider middlewares)Spider中介軟體是在引擎及Spider之間的特定鉤子(specific hook)，處理spider的輸入(response)和輸出(items及requests)。 其提供了一個簡便的機制，通過插入自定義程式碼來擴充套件Scrapy功能。
資料流過程
- 引擎開啟一個網站
(open a domain)，找到處理該網站的Spider並向該spider請求第一個要爬取的URL(s)。 - 引擎從
Spider中獲取到第一個要爬取的URL並在排程器(Scheduler)以Request排程。 - 引擎向排程器請求下一個要爬取的URL。
- 排程器返回下一個要爬取的URL給引擎，引擎將URL通過下載中介軟體(請求
(request)方向)轉發給下載器(Downloader)。 - 一旦頁面下載完畢，下載器生成一個該頁面的
Response，並將其通過下載中介軟體(返回(response)方向)傳送給引擎。 - 引擎從下載器中接收到
Response並通過Spider中介軟體(輸入方向)傳送給Spider處理。 Spider處理Response並返回爬取到的Item及(跟進的)新的Request給引擎。- 引擎將(Spider返回的)爬取到的Item給
Item Pipeline，將(Spider返回的)Request給排程器。 - (從第二步)重複直到排程器中沒有更多地
request，引擎關閉該網站。
scrapy和requests+bs用哪個好？
這個根據自己方便來，requests + beautifulsoup當然可以了，requests + 任何解器式都行，都是非常好的合作。這樣用的有點是我們可以靈活地寫我們自己的程式碼，不必拘泥於固定模式。對於使用固定的框架有時候不一定用起來方便，比如scrapy對於反反爬處理並沒有很完善，好多時候也要自己來解決。
但是對於一些中小型的爬蟲任務來講，scrapy確實是非常好的選擇，它避免了我們來寫一些重複的程式碼，並且有著出色的效能。我們自己寫程式碼的時候，比如為了提高爬取效率，每次都自己碼多執行緒或非同步等程式碼，大大浪費了開發時間。這時候使用已經寫好的框架是再好不過的選擇了，我們只要簡單的寫寫解析規則和pipeline就好了。那麼具體哪些是需要我們做的呢？看看下面這個圖就明白了。