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)，由引擎交給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中間通訊的功能元件（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 Scrapy2、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