爬虫Scrapy框架之学习使用（一）

介绍：

Scrapy一个开源和协作的框架，其最初是为了页面抓取所设计的，使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛，可用于如数据挖掘、监测和自动化测试等领域，也可以应用在获取API所返回的数据或者通用的网络爬虫。

Scrapy是对twisted框架进一步封装得来的，所以它才也采用了事件驱动机制，并使用异步非阻塞的方式实现了并发。

我们看下Scrapy是如何工作的：



整个框架由7部分组成：

SPIDERS：负责封装request对象和解析数据；

ENGINE：活动中枢，负责将不同的数据转发给各自的部分处理；

SCHEDULER：调度员，对各种请求进行调度；

DOWNLOADER：负责从网络上下载数据；

ITEM PIPELINES：对ITEMS进行处理，并对数据进行持久化存储，如果数据不符合要求，那么会重新发送请求；

MIDDLEWARE：对请求响应的中间控制；

安装：

pip3 install scrapy

命令行工具：

全局命令：

startproject #创建项目

genspider #创建爬虫程序

runspider #可以独立运行.py文件

fetch #独立于工程单纯的爬取页面，可以拿到请求头

view #下载完毕会弹出浏览器，查看哪些是ajax请求

项目级别命令：

crawl #运行爬虫注意配置中ROBOTSTXT_OBEY = False，你懂的0.0!

check #检查语法错误

list #罗列下到底养了多少条虫子

bench #压力测试（打桩？）

项目结构及各部简介：

project_name/
scrapy.cfg
project_name/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
虫子1.py
虫子2.py
虫子3.py

scrapy.cfg : 用于部署scrapy

items.py : 结构化数据

pipelines : 持久化数据

settings.py : 爬虫相关的配置信息，注意选项

要全部大写

，否则无效

spiders : 爬虫目录，爬虫规则写在内部

#"如果要想在PyCharm中运行爬虫" :
from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'baidu'])