入门知识

什么是scrapy

Scrapy 是一个快速、高效、异步多进程的高级网页抓取框架，用于抓取网站并从其页面中提取结构化数据。它有非常广泛的用途，包括从数据挖掘到监控和自动化测试等等。

运行流程图以及解释

在这里插入图片描述

流程解析

Scrapy 中的数据流由引擎控制，运行流程如下所示：

引擎从 Spider 中获取要抓取的初始请求。
引擎向调度器发送一个调度请求，并要求调度器返回一个请求对象（url）。
调度器将准备好的请求对象返回给引擎。
引擎将请求发送到下载器，通过下载器中间件（ process_request()）下载该请求的内容。
一旦页面下载完成，下载器生成一个响应（带有页面内容）并将其发送到引擎，通过下载器中间件（参见 process_response()）。
引擎从下载器接收响应并将其发送给Spider进行处理（处理的过程是用户自定义），通过Spider中间件（参见 process_spider_input()）。
Spider 处理响应，并将抓取的项目（结果）或新的请求（要跟踪的url）返回给引擎，通过 Spider 中间件（参见 process_spider_output()）。
引擎将处理后的项目（结果）发送到项目管道进行结果的存储或使用。同时将处理后的请求发送到调度器，并询问是否有下一个请求需要继续爬取，如果有则重复1-8的动作。

注：该过程会一直重复（从第 1 步开始），直到再也没有来自调度器的请求而结束。

名词解释

1、引擎(EGINE)

引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。位于上图的最中心位置，也是scrapy框架的核心部件。

2、调度器(SCHEDULER)

调度器接收来自引擎的请求，并在引擎请求时将它们排入队列以便稍后（也给引擎）提供它们，可以认为是一个URL的队列, 队列的插入和取出由引擎操作, 同时调度器还会去除重复的网址。

3、下载器(DOWLOADER)

下载器负责获取网页并将获取的内容提供给引擎，然后引擎再将它们提供给spiders，下载器是建立在twisted这个高效的异步模型上的。

4、爬虫(SPIDERS)

Spiders 是由用户编写的自定义类，用于解析响应（responses）并从中提取项目或要遵循的其他请求。有关更多信息，请参阅spiders。

5、项目管道(ITEM PIPLINES)

一旦项目被Spider提取（或抓取），项目管道负责处理项目。典型的任务包括清理、验证和持久化（如将项目存储在数据库中）。有关更多信息，请参阅项目管道。

6、下载器中间件(Downloader Middlewares)

下载器中间件是位于引擎和下载器之间的特定挂钩，并在请求从引擎传递到下载器时处理请求，以及从下载器传递到引擎的响应。

如果您需要执行以下操作之一，请使用下载器中间件：

在请求发送到下载器之前处理请求（即在 Scrapy 将请求发送到网站之前）；
在将其传递给 Spiders 之前更改收到的响应；
发送一个新的请求而不是将接收到的响应传递给 Spiders；
在不获取网页的情况下将响应传递给 Spiders；
静默的放弃一些请求。

有关更多信息，请参阅下载器中间件。

7、爬虫中间件(Spider Middlewares)

Spider 中间件是位于 Engine 和 Spider 之间的特定挂钩，能够处理 Spider 输入（响应）和输出（项目和请求）。

如果您需要执行以下操作之一，请使用 Spider 中间件：

spider回调的后期处理输出 - 更改/添加/删除请求或项目；
start_requests的后期处理;
spider的异常处理；
根据响应内容为某些请求调用 errback 而不是回调。

有关更多信息，请参阅爬虫中间件。

驱动方式

Scrapy 是用 Twisted 编写的，这是一个流行的 Python 事件驱动网络框架。因此，它使用非阻塞（异步）代码实现并发。

scrapy的安装

Anaconda或Miniconda

如果你的开发环境已经安装了Anaconda软件，那么安装过程将非常方便，我也推荐你尽量使用Anaconda进行python环境的搭建，因为它的确是非常方便的。

界面安装

如下图直接在所有包中搜索scrapy，选中后进行安装即可