爬蟲框架之——Scrapy
Scrapy簡介:
Scrapy是用純Python實現一個為了爬取網站資料、提取結構性資料而編寫的應用框架,用途非常廣泛。
框架的力量,使用者只需要定製開發幾個模組就可以輕鬆的實現一個爬蟲,用來抓取網頁內容以及各種圖片,非常之方便。
Scrapy 使用了 Twisted['twɪstɪd]
(其主要對手是Tornado)非同步網路框架來處理網路通訊,可以加快我們的下載速度,不用自己去實現非同步框架,並且包含了各種中介軟體介面,可以靈活的完成各種需求。
Scrapy架構圖(綠線是資料流向):
Scrapy各部分的功用:
-
Scrapy Engine(引擎)
Spider
、ItemPipeline
、Downloader
、Scheduler
中間的通訊,訊號、資料傳遞等。 -
Scheduler(排程器)
: 它負責接受引擎
傳送過來的Request請求,並按照一定的方式進行整理排列,入隊,當引擎
需要時,交還給引擎
。 -
Downloader(下載器)
:負責下載Scrapy Engine(引擎)
傳送的所有Requests請求,並將其獲取到的Responses交還給Scrapy Engine(引擎)
,由引擎
交給Spider
來處理, -
Spider(爬蟲)
:它負責處理所有Responses,從中分析提取資料,獲取Item欄位需要的資料,並將需要跟進的URL提交給引擎
Scheduler(排程器)
, -
Item Pipeline(管道)
:它負責處理Spider
中獲取到的Item,並進行進行後期處理(詳細分析、過濾、儲存等)的地方. -
Downloader Middlewares(下載中介軟體)
:你可以當作是一個可以自定義擴充套件下載功能的元件。 -
Spider Middlewares(Spider中介軟體)
:你可以理解為是一個可以自定擴充套件和操作引擎
和Spider
中間通訊
的功能元件(比如進入Spider
的Responses;和從Spider
出去的Requests)
生動形象的說明 Scrapy的運作流程:
程式碼寫好,程式開始執行...
-
引擎
:Hi!Spider
, 你要處理哪一個網站? -
Spider
:老大要我處理xxxx.com。 -
引擎
:你把第一個需要處理的URL給我吧。 -
Spider
:給你,第一個URL是xxxxxxx.com。 -
引擎
:Hi!排程器
,我這有request請求你幫我排序入隊一下。 -
排程器
:好的,正在處理你等一下。 -
引擎
:Hi!排程器
,把你處理好的request請求給我。 -
排程器
:給你,這是我處理好的request -
引擎
:Hi!下載器,你按照老大的下載中介軟體
的設定幫我下載一下這個request請求 -
下載器
:好的!給你,這是下載好的東西。(如果失敗:sorry,這個request下載失敗了。然後引擎
告訴排程器
,這個request下載失敗了,你記錄一下,我們待會兒再下載) -
引擎
:Hi!Spider
,這是下載好的東西,並且已經按照老大的下載中介軟體
處理過了,你自己處理一下(注意!這兒responses預設是交給def parse()
這個函式處理的) -
Spider
:(處理完畢資料之後對於需要跟進的URL),Hi!引擎
,我這裡有兩個結果,這個是我需要跟進的URL,還有這個是我獲取到的Item資料。 -
引擎
:Hi !管道
我這兒有個item你幫我處理一下!排程器
!這是需要跟進URL你幫我處理下。然後從第四步開始迴圈,直到獲取完老大需要全部資訊。 -
管道``排程器
:好的,現在就做!
製作Scrapy爬蟲主要分四步:
- 新建專案 (scrapy startproject xxx):新建一個新的爬蟲專案
- 明確目標 (編寫items.py):明確你想要抓取的目標
- 製作爬蟲 (spiders/xxspider.py):製作爬蟲開始爬取網頁
- 儲存內容 (pipelines.py):設計管道儲存爬取內容