Scrapy基础
一、scrapy的优点
提供了内置的HTTP缓存,以加速本地开发
童工了自动节流调节机制,而且具有遵守robots.txt的内置的能力
可以定义爬行深度的限制,以避免爬虫进入死循环链接
会自动保留会话
执行自动HTTP基本认证,不需要明确保存状态
可以自动填写登入表单
scrapy有一个内置的中间件,可以自动设置请求中的引用头referrer
支持通过3XX响应重定向,也可以通过HTML元刷新
避免被网站使用的<noscript>meta重定向困住,以检测没有JS支持的页面
默认使用CSS选择器或者Xpath编写解析器
可以通过Splash或任何其他技术Selenium呈现JavaScript页面
拥有强的社区支持和丰富的插件和扩展来扩展其功能
提供了通用的蜘蛛来抓取常见的格式,站点地图CSV和XML
内置支持以多种格式(JSON,CSV,XML,JSON-lines)导出收集的数据并储存在多个后端FTP S3 本地文件系统中
二、scrapy的安装
使用python的pip安装
pip install scrapy
需要安装的依赖库有lxml,pyOpenSSL,Twisted,pywin32
安装的时候只有Twisted安装不上,可以选择手动安装
到python的Whl文件
whl文件需要选择与系统相对应的版本 否则会安装失败
安装方法 打开命令行窗口输入pip installl 然后把下载的whl文件拖进去回车就OK了
三、scrapy的架构
四、scrapy的执行过程
1 引擎打开一个网站 open a domain 找到处理该网站的Spider并向该Spider请求第一个爬取的URL
2 引擎从Spider中获取第一个要爬取的URL并在调度器Scheduler中以Request调度
3 引擎向调度器请求下一个要爬取的URL
4 调度器返回下一个要爬取的URL给引擎,引擎将URL通过下载中间件请求request方向转发给下载器
5 一旦页面下载完毕,下载器生成一个该页面的Response,并将其通过下载中间件(返回Response方向)发送给引擎
6 引擎从下在其中接收Response并通过Spider中间件(输入方向)发送给Spider处理
7 Spider处理Response并返回爬取到的Item及(跟进的新的Request给引擎
8 引擎将(Spider返回的)爬取到的Item给Item Pipeline,将Spider返回的Request给调度器
9 从第2步 重复知道调度器中没有更多的Request,引擎关闭对该网站的执行进程
五、scrapy的基本操作
Scrapy是给程序员使用的并没有图形化界面,但是纯命令行的操作确实效率高一点
创建一个工程
scrapy startproject <名称>
创建一个爬取百度首页的工程
scrapy startproject baidu
cd baidu //进入工程文件夹
scrapy genspider baidu_spider baidu.com 创建一个爬虫
scrapy crawl baidu_spider // 运行爬虫
编写baidu_spider.py爬虫文件
然后运行爬虫
scrapy crawl baidu_spider
六、Scrapy工程文件
- __init__.py #包定义
- items.py #模型定义
- pipeline.py #管道定义
- settings.py #配置文件
- spiders #蜘蛛文件夹
- __init__.py #默认的蜘蛛代码文件
- scrapy,py #Scrapy的运行配置文件