Python爬虫Scrapy入门

末蓝、 2023-07-03 07:04 29阅读 0赞

# Scrapy组成 #

Scrapy是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。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2_size_16_color_FFFFFF_t_70]

*  引擎（Scrapy）：用来处理整个系统的数据流，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, 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
 *  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。

# 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）,则交给实体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

# Scrapy创建 #

安装好scrapy类库之后，就可以创建scrapy项目了，pycharm不能直接创建scrapy项目，必须通过命令行创建，打开pycharm的Terminal终端，输入scrapy startproject scrapy\_demo命令。需要注意的是，环境变量必须要配好才能在cmd中显示scrapy命令.

**对于Mac，由于Mac的python有多个版本，如果使用3.6的版本，不能直接在命令行运行scrapy，需要创建软链接（注意对应的版本）。**

ln -s /Library/Frameworks/Python.framework/Versions/3.6/bin/scrapy /usr/local/bin/scrapy

看到下面的信息则说明创建成功了。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2_size_16_color_FFFFFF_t_70 1]

此时可以看到项目自动创建了以下几个文件  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2_size_16_color_FFFFFF_t_70 2]

*  scrapy.cfg: 项目的配置文件
 *  scrapy\_demo/ ：该项目的python模块，之后将在这里加入代码
 *  items.py：项目中的items文件，用来定义我们要抓取的数据
 *  middlewares.py：项目中的middlewares文件
 *  pipelines.py：项目中的pipelines文件，用来对spider返回的item列表进行数据的保存等操作，可以写入文件或保存到数据库
 *  setting.py：爬虫配置文件
 *  spiders/：放置spider代码的目录（自己编写）

# scrapy网站爬取 #

接下来，将对IEEE和arXiv网站进行爬虫，其中middlewares.py，**init**.py文件保持默认。

具体操作请访问[https://www.omegaxyz.com/2020/02/03/python-scrapy/][https_www.omegaxyz.com_2020_02_03_python-scrapy]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2_size_16_color_FFFFFF_t_70 3]

--------------------

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200203190323748.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200203190235181.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/2020020319024587.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2,size_16,color_FFFFFF,t_70
[https_www.omegaxyz.com_2020_02_03_python-scrapy]: https://www.omegaxyz.com/2020/02/03/python-scrapy/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20200203190443548.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5aXN2,size_16,color_FFFFFF,t_70
[omegaxyz.com]: https://www.omegaxyz.com