Python爬虫之Scrapy框架解读
2016-09-23 00:00
155 查看
Scrapy解释
Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下
Scrapy组件
①Engine
用来处理整个系统的数据流处理, 触发事务(框架核心)②Scheduler
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(抓取网页的网址或者说是链接)的优先队列, 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③Downloader
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)④Spiders
spider是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面⑤Pipeline
负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。⑥Downloader Middlewares
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。⑦Spider Middlewares
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。⑧Scheduler Middewares
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。Scrapy运行流程
引擎从调度器中取出一个链接(URL)用于接下来的抓取引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来,并封装成应答包(Response)
爬虫解析Response
解析出实体(Item),则交给管道进行进一步的处理
解析出的是链接(URL),则把URL交给调度器等待抓取
相关文章推荐
- 搜索引擎–Python下开源爬虫(spider)框架scrapy的使用
- [Python]网络爬虫(12):爬虫框架Scrapy的第一个爬虫示例入门教程
- 【网络爬虫】【python】网络爬虫(四):scrapy爬虫框架(架构、win/linux安装、文件结构)
- centos6.3 安装python爬虫框架scrapy
- 零基础写python爬虫之爬虫框架Scrapy安装配置
- 开源python网络爬虫框架Scrapy
- Python爬虫框架Scrapy实战之定向批量获取职位招聘信息
- Python开源爬虫框架:Scrapy架构分析
- [Python]网络爬虫(12):爬虫框架Scrapy的第一个爬虫示例入门教程
- 零基础写python爬虫之使用Scrapy框架编写爬虫
- Python网络爬虫3 ---- ubuntu下安装爬虫框架scrapy
- python爬虫框架scrapy学习笔记
- Python爬虫框架Scrapy安装使用步骤
- ubuntu14.04安装python爬虫框架Scrapy
- Python爬虫抓取框架:Scrapy的架构
- [Python]网络爬虫(11):亮剑!爬虫框架小抓抓Scrapy闪亮登场!
- Scrapy:Python的爬虫框架
- Python爬虫框架Scrapy实战之安装
- 零基础写python爬虫之爬虫框架Scrapy安装配置
- python Scrapy 框架做爬虫 ——很好的教程