Python Scrapy基础

1，创建项目
a,首先在命令行进入你想创建项目的目录，接着输入scrapy startproject 项目名
b,cd 项目名 输入 scrapy genspider 爬虫名 （一个项目可以创建多个爬虫）

2，项目目录结构

image.png

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
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。

3，项目结构：
items.py 用来定义存储爬虫下载下来数据的数据模型
middlewares:中间件
pipelines.py:将items.py模型定义的数据持久化（存到数据库，本地等）
settings.py:配置信息，比如配置robot.text为false，配置请求头 ，配置pipelnes等等
scrapy.cfg :配置项目信息
spiders包：爬虫代码

4，注意事项
a,settings.py中设置请求头

DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0 (iPhone; CPU iPhone OS 13_2_3 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/13.0.3 Mobile/15E148 Safari/604.1'
}

b，settings.py中

ROBOTSTXT_OBEY = False #此处默认为True 改成False  这样，当根目录找不到robots.txt文件的时候依旧能进行爬取

c,在项目中建一个start.py文件，代码如下:目的是不用每次在项目目录下的命令行中输入 scrapy crawl 爬虫名

from scrapy import cmdline

cmdline.execute("scrapy crawl qsbk_spider".split())
# cmdline.execute(['scrapy','crawl','qsbk_spider']) 这两行是一样的

4，在爬虫文件爬到数据后通过yield（在python 里就是一个生成器）生成给items，有items传给piplelines