关于爬虫框架scrapy的理解和运用

素颜马尾好姑娘i 2022-03-11 09:22 190阅读 0赞

其实，做爬虫工作，大部分会选择的框架就是scrapy，但是scrapy具体优势如何进行工作呢，这里简单的说一下个的理解。

Scrapy，Python开发的一个快速,高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和[自动化测试][Link 1]。

Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

说到scrapy，第一步就要了解框架的结构。一个经典的框架结构图形象的展示了框架的结构和工作流程，并且更容易记忆。

![918906-20160830220006980-1873919293.png][]

我们来介绍一下框架的各个组件，以及各个组件的功能：

*  **引擎(Scrapy)**  
    *用来处理整个系统的数据流处理, 触发事务(框架核心)*
 *  **调度器(Scheduler)**  
    *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（url去重机制）*
 *  **下载器(Downloader)**  
    *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)*
 *  **爬虫(Spiders)**  
    *爬虫是主要干活的, 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*
 *  **项目管道(Pipeline)**  
    *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。*
 *  **下载器中间件(Downloader 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。*
 *  **爬虫中间件(Spider 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。*
 *  **调度中间件(Scheduler 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。*

接下来就是了解其工作流程：

1.  引擎从调度器中取出一个链接(URL)用于接下来的抓取
2.  引擎把URL封装成一个请求(Request)传给下载器
3.  下载器把资源下载下来，并封装成应答包(Response)
4.  爬虫解析Response
5.  解析出实体（Item）,则交给实体管道进行进一步的处理
6.  解析出的是链接（URL）,则把URL交给调度器等待抓取

还有更加详细的使用说明可以访问下面这位博主的文章，[使用说明][Link 2]

[Link 1]: http://baike.baidu.com/view/1303916.htm
[918906-20160830220006980-1873919293.png]: /images/20220311/5494c74d33174038bff65623551cdf9d.png
[Link 2]: https://www.cnblogs.com/wanghzh/p/5824181.html