Day09,Scrapy爬虫框架

Scrapy爬虫框架

发送请求 ---> 获取响应数据 ---> 解析数据 ---> 保存数据

** Scarpy框架介绍 **

    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。有关详细信息，请参见上面的数据流部分。

    2、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的优先级队列, 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

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

    4、爬虫(SPIDERS)
    SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求

    5、项目管道(ITEM PIPLINES)
    在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
    下载器中间件(Downloader Middlewares)位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，
    你可用该中间件做以下几件事：
      　　(1) process a request just before it is sent to the Downloader (i.e. right before Scrapy sends the request to the website);
      　　(2) change received response before passing it to a spider;
      　　(3) send a new Request instead of passing received response to a spider;
      　　(4) pass response to a spider without fetching a web page;
      　　(5) silently drop some requests.

    6、爬虫中间件(Spider Middlewares)
    位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）

** Scarpy安装 **
    1、pip3 install wheel
    2、pip3 install lxml
    3、pip3 install pyopenssl
    4、pip3 install pypiwin32
    5、安装twisted框架
        下载twisted
            http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
        安装下载好的twisted
            pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl

    6、pip3 install scrapy

** Scarpy使用 **
    1、进入终端cmd
        - scrapy
            C:\Users\administortra>scrapy
            Scrapy 1.6.0 - no active project

    2、创建scrapy项目
        1.创建一个文件夹，专门用于存放scrapy项目
            - D:\Scrapy_prject
        2.cmd终端输入命令
            scrapy startproject Spider_Project（ 项目名）
            - 会在 D:\Scrapy_prject文件夹下会生成一个文件
                   Spider_Project : Scrapy项目文件

        3.创建爬虫程序
            cd Spider_Project  # 切换到scrapy项目目录下
                          # 爬虫程序名称     目标网站域名
            scrapy genspider   baidu     www.baidu.com  # 创建爬虫程序

    3、启动scrapy项目，执行爬虫程序

        # 找到爬虫程序文件进行执行
        scrapy runspider只能执行某个 爬虫程序.py
            # 切换到爬虫程序执行文件目录下
            - cd D:\Scrapy_prject\Spider_Project\Spider_Project\spiders
            - scrapy runspider baidu.py

        # 根据爬虫名称找到相应的爬虫程序执行
        scrapy crawl 爬虫程序名称
            # 切换到项目目录下
            - cd D:\Scrapy_prject\Spider_Project
            - scrapy crawl baidu