python Scrapy框架1—框架流程、結構和一個簡單的例子
python爬蟲學習_Scrapy框架1—框架流程、結構和一個簡單的例子
框架圖
-
Scrapy Engine(引擎)
: 負責Spider
、ItemPipeline
、Downloader
、Scheduler
中間的通訊,訊號、資料傳遞等。 -
Scheduler(排程器)
: 它負責接受引擎
傳送過來的Request請求,並按照一定的方式進行整理排列,入隊,當引擎
需要時,交還給引擎
。 -
Downloader(下載器)
:負責下載Scrapy Engine(引擎)
傳送的所有Requests請求,並將其獲取到的Responses交還給Scrapy Engine(引擎)
,由引擎
Spider
來處理, -
Spider(爬蟲)
:它負責處理所有Responses,從中分析提取資料,獲取Item欄位需要的資料,並將需要跟進的URL提交給引擎
,再次進入Scheduler(排程器)
, -
Item Pipeline(管道)
:它負責處理Spider
中獲取到的Item,並進行進行後期處理(詳細分析、過濾、儲存等)的地方. -
Downloader Middlewares(下載中介軟體)
:你可以當作是一個可以自定義擴充套件下載功能的元件。 -
Spider Middlewares(Spider中介軟體)
:你可以理解為是一個可以自定擴充套件和操作引擎
和Spider
通訊
的功能元件(比如進入Spider
的Responses;和從Spider
出去的Requests)
Scrapy執行流程:
-
引擎
:Hi!Spider
, 你要處理哪一個網站? -
Spider
:老大要我處理xxxx.com。 -
引擎
:你把第一個需要處理的URL給我吧。 -
Spider
:給你,第一個URL是xxxxxxx.com。 -
引擎
:Hi!排程器
,我這有request請求你幫我排序入隊一下。 -
排程器
:好的,正在處理你等一下。 -
引擎
:Hi!排程器
,把你處理好的request請求給我。 -
排程器
:給你,這是我處理好的request -
引擎
:Hi!下載器,你按照老大的下載中介軟體
的設定幫我下載一下這個request請求 -
下載器
:好的!給你,這是下載好的東西。(如果失敗:sorry,這個request下載失敗了。然後引擎
告訴排程器
,這個request下載失敗了,你記錄一下,我們待會兒再下載) -
引擎
:Hi!Spider
,這是下載好的東西,並且已經按照老大的下載中介軟體
處理過了,你自己處理一下(注意!這兒responses預設是交給def parse()
這個函式處理的) -
Spider
:(處理完畢資料之後對於需要跟進的URL),Hi!引擎
,我這裡有兩個結果,這個是我需要跟進的URL,還有這個是我獲取到的Item資料。 -
引擎
:Hi !管道
我這兒有個item你幫我處理一下!排程器
!這是需要跟進URL你幫我處理下。然後從第四步開始迴圈,直到獲取完老大需要全部資訊。 -
管道``排程器
:好的,現在就做!
Scrapy使用
1、安裝環境scrapy環境
sudo pip install Scrapy
2、建立scrapy資料夾
scrapy startproject myproject
在我們的環境當中還要引入scrapy模組的。
3、建立之後的資料夾:
scrapy.cfg :專案的配置檔案
TestForSpider/ :專案的Python模組,將會從這裡引用程式碼
TestForSpider/items.py :專案的目標檔案
TestForSpider/pipelines.py :專案的管道檔案
TestForSpider/settings.py :專案的設定檔案
TestForSpider/spiders/ :儲存爬蟲程式碼目錄
4、寫我們的scrapy程式碼
我們的爬蟲資料放在spiders裡面
# -*- coding: utf-8 -*-
import scrapy
from TestForScrapy.items import ItcastItem
class ItcastSpider(scrapy.Spider):
name = "itcast"
start_urls = [ # 另外一種寫法,無需定義start_requests方法
'http://www.itcast.cn/channel/teacher.shtml',
]
def parse(self, response):
page = response.url.split("/")[-2]
# 根據上面的連結提取分頁,如:/page/1/,提取到的就是:1
filename = 'teacher-%s.html' % page
# 拼接檔名,如果是第一頁,最終檔名便是:mingyan-1.html
with open(filename, 'wb') as f:
# python檔案操作,不多說了;
f.write(response.body)
5、執行爬蟲
在terminal中要進入TestForSpider的目錄下,執行
scrapy crawl itcast
當出現:
則資料拉取成功