Scrapy是用纯Python实现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,用途非常广泛。scrapy框架封装了很多功能,比如说使用异步框架(Twisted)来提高爬虫性能,url的去重,数据的清洗等等的功能。
Scrapy架构图(绿线是数据流向)
可以从上面的图看出来scrapy有几个部件,下面是各个部件的作用:
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理。
#上面这3个都是它已经有的功能,咱们写代码的时候感知不到,需要咱们写代码的在下面这3块
Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器)。这里就是咱们写逻辑,怎么根据xpath或者css获取数据的地方。
Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方。存数据库这样子的操作在这里
Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。比如说发请求的时候要加代理,就在这里
Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests),这个一般用不到。
Scrapy的运作流程
引擎:Hi!Spider, 你要处理哪一个网站? Spider:老大要我处理xxxx.com。 引擎:你把第一个需要处理的URL给我吧。 Spider:给你,第一个URL是xxxxxxx.com。 引擎:Hi!调度器,我这有request请求你帮我排序入队一下。 调度器:好的,正在处理你等一下。 引擎:Hi!调度器,把你处理好的request请求给我。 调度器:给你,这是我处理好的request 引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求 下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载) 引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的) Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。 引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。 管道调度器:好的,现在就做!
注意!只有当调度器
中不存在任何request了,整个程序才会停止,(也就是说,对于下载失败的URL,Scrapy也会重新下载。),当然我们也可以在配置文件里面设置失败的重试次数。
scrapy爬虫步骤
在写一个scrapy项目的时候,需要4个步骤。
- 新建项目 (scrapy startproject xxx):新建一个新的爬虫项目
- 明确目标 (编写items.py):明确你想要抓取的目标,也就是咱们要获取到什么样的数据,有哪些字段
- 制作爬虫 (spiders/xxspider.py):制作爬虫开始爬取网页,也就是通过xpath或者css获取数据
- 存储内容 (pipelines.py):设计管道存储爬取内容,也就是怎么存储,存到哪里,文件里面、mongodb里面、或者mysql里面。