scrapy框架

一、什么是scrapy框架？

　　把一个网页里面所有的标签都抓取到
　　作用：帮我们提供一个可扩展，功能齐全的爬虫框架
　　Scrapy是爬虫界的Django。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

Scrapy主要包括了以下组件：

• 引擎(Scrapy)

　　用来处理整个系统的数据流处理, 触发事务(框架核心)

• 调度器(Scheduler)

　　用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

• 下载器(Downloader)

　　用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

• 爬虫(Spiders)

　　爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

• 项目管道(Pipeline)

　　负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

• 下载器中间件(Downloader Middlewares)

位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

• 爬虫中间件(Spider Middlewares)

介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

• 调度中间件(Scheduler Middewares)

　　介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构（整体图如下）

 

二、scrapy安装 

Linux下的安装(包括mac)

　　pip install scrapy

Windows下的安装

　　1.下载twisted 
　　　　http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
　　2. 安装wheel 
　　　　pip3 install wheel
　　3. 安装twisted 
　　　　进入下载目录，执行 pip3 install Twisted‑18.7.0‑cp36‑cp36m‑win_amd64.whl
　　4.安装pywin32
　　　　pip3 install pywin32
　　5.安装scrapy 
　　　　pip3 install scrapy 

 三、基本命令

1. scrapy startproject 项目名称

   - 在当前目录中创建一个项目文件（类似于Django）

2. scrapy genspider [-t template] <name> <domain>

   - 创建爬虫应用

   如：

      scrapy gensipider -t basic oldboy oldboy.com

      scrapy gensipider -t xmlfeed autohome autohome.com.cn

　　　　　或者简单直接   scrapy gensipider app名  要爬取的域名

   PS:

      查看所有命令：scrapy gensipider -l

      查看模板命令：scrapy gensipider -d 模板名称

3. scrapy list

   - 展示爬虫应用列表

4. scrapy crawl 爬虫应用名称

   - 运行单独爬虫应用

备注：scrapy crawl 应用名称  表示以日志的形式运行爬虫应用，可以在后面加 --nolog  取消日志    scrapy crawl 名称  --nolog

四、项目文件及结构

文件说明：

• scrapy.cfg  项目的主配置信息。（真正爬虫相关的配置信息在settings.py文件中）
• items.py    设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines    数据处理行为，如：一般结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等
• spiders      爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

windows系统编码错误时：

解决方法：

 

import sys,io
sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

import scrapy

class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    allowed_domains = ['chouti.com']
    start_urls = ['https://dig.chouti.com/']

    def parse(self, response):
        pass