爬虫scrapy框架（1）

2019-05-26 本文已影响0人猛犸象和剑齿虎

t013b9c86f5a43c0037.jpg

框架的概念

当爬虫代码到后期，大家会发现代码越来越复杂，越来越抽象，越来越复杂，而在项目中，一些通用的东西封装起来，开发者只需要关注变量部分，几个模块就能让系统高效的运行，框架技术应运而生。
scrapy框架是python实现为了爬取网站资源，提取结构数据而编写的应用框架。
当一开始接触框架会觉的框架特别的抽象，麻烦，这是正常现象，甚至不用框架反而觉得简单，但是了解框架以后你会觉得框架十分的便利，所以在学习框架技术时，大家一定要有耐心。

scrapy下载办法

pip install scrapy
虽然看起来很简单，但是初次安装scrapy有很多依赖包，和数不清的坎，小道初次安装用的xp系统，各种不行，也翻了很多的网站和资料来看，最终还是重装了win7系统（64位），才安装成功，期间安装了visul c++14.0才最终解决，windows系统安装python包本身就不是特别方便。

scrapy框架工作流程

938880-20160831175552433-604551135.png

当道友初次看到这张图的时候一定有点蒙，感觉完全是个全新的东西，完全无从下手和觉得抽象，小道也是一样的。
当然基础的东西还是要稍微理解一点。

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, <br data-filtered="filtered">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，<br data-filtered="filtered">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。

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