01.scrapy入门

Scrapy快速入门

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，它使用Twisted这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。个人认为Scrapy是Python世界里面最强大的爬虫框架，没有之一，它比BeautifulSoup更加完善，BeautifulSoup可以说是轮子，而Scrapy则是车子，不需要你关注太多细节，Scrapy不仅支持Python2.7，Python3也支持。

• scrapy是框架，类似于车子，会开车。
• 采用异步框架，实现高效率的网络采集。
• 最强大的框架，没有之一。

安装和文档：

1. 安装：通过pip install Scrapy即可安装。
2. Scrapy官方文档：http://doc.scrapy.org/en/latest
3. Scrapy中文文档：https://www.osgeo.cn/scrapy/

注意：

1 在ubuntu上安装scrapy之前，需要先安装以下依赖：

sudo apt-get install python-dev python-pip libxml2-dev libxslt-dev zliblg-dev libffi-dev libssl-dev，然后在通过pip install scrapy安装。

2 如果在windows系统下，提示这个错误ModuleNotFoundError：No module named 'win32api'，那么使用以下命令可以解决：

pip install pypiwin32或 pip install pywin32

遇到问题 VC++14.0 Twisted 解决办法：离线安装twisted

https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

pip install xxx.whl [twsited.whl的路径]

安装完成执行 scrapy bencn 运行测试

Scrapy原理

Scrapy主要包含以下组件：

• 引擎：处理整个系统的数据流，触发事务（框架核心）
• 调度器：用来接收引擎发过来的请求，压入队列中，并在引擎在此请求的时候返回，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。
• 下载器：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这个搞笑的异步模型上的。
• 爬虫：爬虫主要是干活的，用于从特定的网页中提取自己需要的信息，即所谓的实体。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：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、清楚不需要的信息。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：位于Scrapy引擎和下载器直接的框架，主要是处理Scrapy引擎与下载器直接的请求及响应。
• 爬虫中间件：介于Scrapy引擎和爬虫直接的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件：介于Scrapy引擎和调度器直接的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy的运行流程大概如下

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

创建项目

Windows下，打开命令提示符窗口，进入到打算存储代码的目录中，使用下面的命令创建一个scrapy项目

scrapy startproject 项目名

项目结构

1. scrapy.cfg：项目的配置文件
2. 项目名/：该项目的python模块。之后我们将在此加入代码。
3. 项目名/items.py：用来存放爬虫爬取下来数据的模型。
4. 项目名/pipelines.py：用来将items的模型存储到本地磁盘中。
5. 项目名/settings.py: 本爬虫的一些配置信息（比如请求头、多久发送一次请求、ip代理池等）。
6. 项目名/middlewares.py： 用来存放各种中间件的文件。
7. 项目名/spiders包：以后所有的爬虫，都是存放到这个里面