python网络爬虫之scrapy 工程创建以及原理介绍

执行scrapy startproject XXXX的命令，就会在对应的目录下生成工程

在pycharm中打开此工程目录：并在Run中选择Edit Configuration

点击+创建一个Python

命令爬虫的名字，本例中以test_spider为例。并在script中输入安装scrapy的cmdline.py的路径。

在工程目录test1->spiders下面创建一个python文件，名字和上图中的name一致，这里都是test_spider

在代码中加入简单的代码：如下新建一个类名字为testSpider。注意类中必须添加name字段。这个设置爬虫工程的名称且必须和创建工程的scrapy startproject test1一样，因此这里为name=test1.

# -*- coding:UTF-8 -*- ＃

from scrapy.spiders import Spider

from scrapy.selector import Selector



from test1.items import Test1Item

from scrapy.utils.response import open_in_browser



class testSpider(Spider):

    name="test1"

    def parse(self, response):

       pass

名字如果不一致，会出现报错：

如果改成这样：name=test2

class testSpider(Spider):

    name="test2"

    def parse(self, response):

        pass

会产生如下错误：Spider not found: “test1”

下面来介绍下Scrapy工作原理：

 

按照上面的图来说下scrapy的工作流程：

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请求第一个要爬取的URL(s)。  图中步骤1

如具体的spider函数中会定义：allowd_domains以及start_urls两个变量

allowd_domains=['http://www.xunread.com/']

start_urls=["http://www.xunread.com/article/8c39f5a0-ca54-44d7-86cc-148eee4d6615/index.shtml"]

此时会将这2个变量发给引擎

2.引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。 图中步骤2

引擎获取到要爬去的URL后，进行网站链接

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(Downloader)。 图中步骤3

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。引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。  图中步骤4

此时代码中通过sel=Selector(response)获取到下载的页面

def parse(self,response):

       sel=Selector(response)

7.Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。步骤5

具体对item的处理过程在parse函数中. 并将处理的结果传入pipeline.py进行处理

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。至此一个完整的一个网页调度流程结束。如果parse函数有继续返回网页，则从头开始上面的过程

9.(从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

 

各模块的介绍如下：

组件
Scrapy Engine
引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分。

调度器(Scheduler)
调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。

下载器(Downloader)
下载器负责获取页面数据并提供给引擎，而后提供给spider。

Spiders
Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。

Item Pipeline
Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库中)。

下载器中间件(Downloader middlewares)
下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。

 

Spider中间件(Spider middlewares)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。

 

数据流详细过程如下：

Scrapy中的数据流由执行引擎控制，其过程如下:

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请求第一个要爬取的URL(s)。 步骤1
2.引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)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(Downloader)。
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.引擎从下载器中接收到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.(从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。