Scrapy-1.强大与全面的Python爬虫开源框架

本文地址:https://www.jianshu.com/p/4cccd00072f8

图标.png

简介

Scrapy是一个开源的爬虫框架,目前在Python爬虫领域基本处于一家独大的地位,只要说起Python的开源爬虫框架,那基本指的都是Scrapy

Scrapy的官网上,则宣称的是Scrapy是一个快速、简单、容易扩展的爬虫框架。Scrapy确实是容易扩展的,通过各种管道(Pipeline)和中间件(Middleware),能够非常方便的扩展Scrapy的功能。但其实相对来说,做一些简单的、抓取量小的任务时,Scrapy是比较笨重的,这种任务更适合使用Requests去做。

而如果你抓取的数据量较大的话,使用Scrapy是非常合适的,因为底层是基于Twisted,所以Scrapy是天生异步的,就基本不用再去额外的考虑并发的问题了。同时它提供了对于爬虫来说非常全面的功能,而且扩展功能跟二次定制也很方便。配合类似于Scrapy-redis之类的库也可以很简单的实现分布式的爬虫。


安装

在Linux以及Mac系统上,安装Scrapy非常方便,使用pip安装即可:

pip install Scrapy

但是如果在windows系统上安装的话,会遇到一个非常麻烦的问题,Scrapy的依赖库Twisted安装不上,会导致安装失败。这个问题可以用以下办法解决。

  1. 到下面这个网址去下载Twisted已经编译好的wheel文件安装,安装好后再使用pip安装Scrapy

    https://www.lfd.uci.edu/~gohlke/pythonlibs/

    wheel文件的安装方法请自行百度。


架构

Scrapy的整体运行流程如下图所示:

架构图.png

组件

Scrapy的很大一个优点就是其组织架构清晰,整体结构由一个个组件构成,每个组件负责各自的功能。

其主要的运行流程中有如下几个最主要的组件:

  • Engine

    引擎,整个爬虫系统的数据流程处理,都由Engine来进行触发 ,是Scrapy的核心。

  • Scheduler

    调度器,负责维护Request的队列,将Engine传递过来的Request放入队列之中,并在Engine请求时将一个Request交给Engine

  • Downloader

    下载器,根据接收到的Request,去下载相应的网页内容,并生成Response返回给Spider

  • Spider

    爬虫,这个部分常常由我们自己编写,在Spider中需要定义网页抓取和解析的所有流程和规则。

  • Item

    数据,也就是在Spider中抓取网页并解析后,我们最终要获得的数据结果,在Scrapy中专门定义了这样一个数据结构用于保存抓取到的数据。格式和使用方式与字典类似。

  • Item Pipeline

    数据管道,负责处理在Spider中得到的Item。这个Pipeline主要用处就是清洗数据,处理数据,存储数据。

  • Downloader Middleware

    下载器中间件,处于DownloaderEngine之间。

  • Spider Middleware

    爬虫中间件,处于SpiderEngine之间。

数据流

Scrapy中,数据流基本由Engine控制,Engine就好像一颗心脏,不断地推动整个数据流的流动。以下是数据流的基本流程:

  1. Engine首先会打开一个起始url,并找到相对应的Spider来处理这个url访问返回的响应结果。

  2. Spider的处理过程中,会将接下来要访问的url包装成Request,Engine会将Request从Spider取出,交给Scheduler进行调度。

  3. EngineScheduler获取一个Request。

  4. Engine将获取到的Request经由下载器中间件(Downloader Middleware)发送给Downloader进行下载并生成相应的Response。

  5. EngineDownloader获取一个Response。

  6. Engine将获取的Response经由爬虫中间件(Spider Middleware)发送给相对应的Spider,由Spider来对Response进行解析。

    在解析过程中,可能会产生两种产物,一种是Item,一种是Request。产生的Request会再次沿着步骤1的流程运行下去,而产生的Item则会进入下一步。

  7. EngineSpider获取一个Item

  8. Engine将获取的Item发送给Item Pipeline进行相对应的存储、清洗等处理。

    Item Pipeline处理的过程中,同样可能会生成新的Request,这时候生成的Request会直接放入Scheduler中,从步骤3再次执行下去。


使用方式

Scrapy的主要使用方式是命令行,例如,开始一个Scrapy爬虫的第一步是创建一个Scrapy项目,而这一步需要使用命令行来完成,在命令行中输入以下命令:

scrapy startproject projectname

projectname则是你创建的项目的名称,命令执行之后会在当前目录下生成一个如下结构的目录:

projectname/

    scrapy.cfg            # 部署的配置文件

    projectname/          # 项目的Python模块,导入自己代码的话需要从这里导入

      spiders/          # 一个将会存放你的爬虫的目录

            __init__.py

        __init__.py

        items.py          # 配置Item的文件

        middlewares.py    # 配置中间件的文件

        pipelines.py      # 配置管道的文件

        settings.py       # 项目的配置文件

这个目录相当于是一个Scrapy给你定制好的模板,节省了我们许多的时间,我们只需要按照Scrapy的规则在相应的文件中编写代码,就可以很快速的完成一个爬虫项目。

在创建好了项目后,就要开始编写爬虫了,同样的,Scrapy提供了一个命令,能让我们快速的生成一个Spider模板放到spiders目录中,cd到项目目录中,输入以下命令:

scrapy genspider spidername mydomain.com

spidername指的是你创建的Spider名称,mydomain.com则是你这个爬虫抓取目标的域名。

命令执行后会在spiders目录下生成一个如下的spidername.py文件:

# -*- coding: utf-8 -*-
import scrapy


class SpidernameSpider(scrapy.Spider):
    name = 'spidername'
    allowed_domains = ['mydomain.com']
    start_urls = ['http://mydomain.com/']

    def parse(self, response):
        pass

这就是一个标准的Spider模板了,具体如何在这个模版中编写Spider,在之后的文章中会详细讲到。

在写好Spider之后,就可以使用命令来运行这个Spider了:

scrapy crawl spidername

从这里开始,你的爬虫就可以欢快的开始运行了。


系列文章:

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,468评论 5 473
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,620评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,427评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,160评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,197评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,334评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,775评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,444评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,628评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,459评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,508评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,210评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,767评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,850评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,076评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,627评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,196评论 2 341