Scrapy入门--Scrapy是什么

一、Scrapy==蜘蛛

Scrapy是我们熟知的蜘蛛爬虫框架，我们用蜘蛛来获取互联网上的各种信息，然后再对这些信息进行数据分析处理。所以说，Scrapy是学习大数据的入门技能。

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。蜘蛛作为网络爬虫，在网上到处或定向抓取网站网页的HTML数据。抓取网页的一般方法是，定义一个入口页面，然后一般一个页面会有其他页面的URL，于是从当前页面获取到这些URL加入到爬虫的抓取队列中，然后进入到新页面后再递归的进行上述的操作。

二、scrapy的组成

2.1 思维导图



2.2 基本组件

引擎(Scrapy Engine)，负责管理整个系统，同时各种事件的触发也由其负责。

调度器(Scheduler)，调度器。接收spider发送的request请求，放入队列中；取出队列中的request交由downloader去请求响应。

下载器(Downloader)，将request的响应下载下来。

蜘蛛(Spiders)，制订特定域名或网页的解析规则。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。

项目管道(Item Pipeline)，负责处理由蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

下载器中间件(Downloader Middlewares)，位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

蜘蛛中间件(Spider Middlewares)，介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。

调度中间件(Scheduler Middlewares)，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。

三、工作机制

3.1 爬取流程

首先从初始URL开始，Scheduler会将其交给Downloader进行下载，下载之后会交给Spider进行分析，Spider分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回Scheduler；另一种是需要保存的数据，它们则被送到Item Pipeline那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。

3.2 数据流程

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)。

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。

引擎向调度器请求下一个要爬取的URL。

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)。

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。

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

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。

(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。

3.3 项目流程

使用全局命令startproject创建项目，在/cgls下创建一个名为beautiful_album_spider的Scrapy项目。

[root@ cgls]# scrapy startproject beautiful_album_spider

使用全局命令genspider 创建spider，在/cgls/beautiful_album_spider下创建一个名为xiaohuar的spider项。

[root@ cgls]# scrapy genspider xiaohuar_spider xiaohuar.com

写spider文件，制订特定域名或网页的解析规则。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。

[root@ cgls]# vi /cgls/beautiful_album_spider/xiaohuar/spider/xiaohuar_spider.py

写Item文件，定制保存爬取到的数据的容器。

[root@ cgls]# vi /cgls/beautiful_album_spider/xiaohuar/items.py

写Pipeline文件，处理由蜘蛛从网页中抽取的项目，验证和存储数据。

[root@ cgls]# vi /cgls/beautiful_album_spider/xiaohuar/pipelines.py

写Setting文件，配置项目的基本设置。

[root@ cgls]# vi /cgls/beautiful_album_spider/xiaohuar/settings.py

写start_xiaohuar文件，便于开启爬虫。

[root@ cgls]# vi /cgls/beautiful_album_spider/start_xiaohuar.py

爬虫代码可参考scrapy爬校花网图片。

Scrapy的安装，请参考scrapy安装。