Practice

一、简介

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。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

requests本质就是就是发送http请求，如果在requests基础上做个封装，我去某个网站或者某个域名一直去发送请求找到所有的url，下载东西的请求在写个方法源源不断的下载东西！这样我们就写了个框架。

三、结构分析

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下：

1、Scrapy组件

Scrapy主要包括了以下组件：

1、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)

2、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

3、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)

4、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

5、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。

6、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。

7、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。

8、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。

2、Scrapy数据流

Scrapy中的数据流由执行引擎控制，其过程如下:

1）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)。
2）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。
3）引擎向调度器请求下一个要爬取的URL。
4）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)。
5）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。
6）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。
7）Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8）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。
9）(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。

四、范例分析

1、

（1）

（2）

（3）

2、

（1）

（2）

（3）

3、

（1）

（2）

（3）

4、

（1）

（2）

（3）

五、功能运用

1、

（1）

（2）

（3）

2、

（1）

（2）

（3）

3、

（1）

（2）

（3）

4、

（1）

（2）

（3）

六、小结

1、

（1）

（2）

（3）

2、

（1）

（2）

（3）

3、

（1）

（2）

（3）

4、

（1）

（2）

（3）

一、简介

二、定义

三、结构分析

四、范例分析

五、功能运用

六、小结