Scrapy 入門

Scrapy主要包括以下組件：

    引擎：用來處理整個系統(tǒng)的數(shù)據(jù)流處理，觸發(fā)事務(wù)。

    調(diào)度器：用來接受引擎發(fā)過來的請求，壓入隊列中，并在引擎再次請求的時候返回

     下載器：用來下載網(wǎng)頁內(nèi)容，并將網(wǎng)頁內(nèi)容返回給蜘蛛。

    蜘蛛：蜘蛛是主要干活的，用它來制定特定域名或網(wǎng)頁的解析規(guī)則

    項目管道：負(fù)責(zé)處理有蜘蛛從網(wǎng)頁抽取的項目，他的主要任務(wù)是清晰、驗(yàn)證和儲存數(shù)據(jù)。當(dāng)頁面被蜘蛛解析后，將被發(fā)送到項目管道，并經(jīng)過及格特定的次序處理數(shù)據(jù)。

    下載器中間件：位于Scrapy引擎和下載器之間的鉤子框架，主要是處理Scrapy引擎與下載器之間的請求及相應(yīng)。

    蜘蛛中間件：位于Scrapy引擎和蜘蛛之間的鉤子框架，主要工作是處理蜘蛛的響應(yīng)輸入和請求輸入。

    調(diào)度中間件：介于Scrapy引擎和調(diào)度之間的中間件，從Scrapy引擎發(fā)送到調(diào)度的請求和響應(yīng)

創(chuàng)建一個Scrapy項目:

    在開始爬取之前，你必須創(chuàng)建一個新的Scrapy項目。

    再進(jìn)入你打算存儲代碼的目錄中，運(yùn)行下列命令：

    scrapy startproject tutorial

    該命令將會創(chuàng)建下列內(nèi)容的tutorial目錄:

        tutorial/

           scrapy.cfg

           tutorial/

             __init__.py

            items.py

            pipelines.py

            settings.py

            spiders/

              __init__.py

              .....

    這些文件分別是:

        scrapy.cfg:項目的配置文件

        tutorial/:該項目的python模塊。之后你將在此加入代碼。

        tutorial/items.py:項目中的item文件。

        tutorial/pipelines.py:項目中的pipelines文件。

        tutorial/settings.py:項目中的配置文件。

        tutorial/spiders/:放置spider代碼的目錄。

定義item

    ·item是保存爬取到的數(shù)據(jù)的容器；其使用方法和python的字典類似，并且提供了額外的保護(hù)機(jī)制來避免拼寫錯誤導(dǎo)致的未定義字段錯誤。

    ·類似在ORM中做的一樣，你可以通過創(chuàng)建一個scrapy.Item類，并且定義類型為scrapy.Field的類屬性來定義一個Item。

各部件職能：

Scrapy Engine: 這是引擎，負(fù)責(zé)Spiders、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數(shù)據(jù)傳遞等

Scheduler(調(diào)度器): 它負(fù)責(zé)接受引擎發(fā)送過來的requests請求，并按照一定的方式進(jìn)行整理排列，入隊、并等待Scrapy Engine(引擎)來請求時，交給引擎。簡單的說，就是負(fù)責(zé)從引擎接受request并入隊，當(dāng)引擎請求他們時返回request

Downloader（下載器）：負(fù)責(zé)下載Scrapy Engine(引擎)發(fā)送的所有Requests請求，獲取頁面數(shù)據(jù)并提供給引擎，并將其獲取到的Responses交還給Scrapy Engine(引擎)，而后由引擎交給Spiders來處理，

Spiders：它負(fù)責(zé)處理所有Responses,從中分析提取數(shù)據(jù)，獲取Item字段需要的數(shù)據(jù)，并將需要跟進(jìn)的URL提交給引擎，再次進(jìn)入Scheduler(調(diào)度器)，

Item Pipeline：它負(fù)責(zé)處理Spiders中獲取到的Item，并進(jìn)行處理，比如去重，持久化存儲（存數(shù)據(jù)庫，寫入文件，總之就是保存數(shù)據(jù)用的）

Downloader Middlewares（下載中間件）：你可以當(dāng)作是一個可以自定義擴(kuò)展下載功能的組件

Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴(kuò)展和操作引擎和Spiders中間‘通信‘的功能組件（比如進(jìn)入Spiders的Responses;和從Spiders出去的Requests）

數(shù)據(jù)在整個Scrapy的流向：

　　通俗版：

程序運(yùn)行的時候，

引擎：Hi！Spider, 你要處理哪一個網(wǎng)站？

Spiders：我要處理23wx.com

引擎：你把第一個需要的處理的URL給我吧。

Spiders：給你第一個URL是XXXXXXX.com

引擎：Hi！調(diào)度器，我這有request你幫我排序入隊一下。

調(diào)度器：好的，正在處理你等一下。

引擎：Hi！調(diào)度器，把你處理好的request給我，

調(diào)度器：給你，這是我處理好的request

引擎：Hi！下載器，你按照下載中間件的設(shè)置幫我下載一下這個request

下載器：好的！給你，這是下載好的東西。（如果失?。翰缓靡馑?，這個request下載失敗，然后引擎告訴調(diào)度器，這個request下載失敗了，你記錄一下，我們待會兒再下載。）

引擎：Hi！Spiders，這是下載好的東西，并且已經(jīng)按照Spider中間件處理過了，你處理一下（注意！這兒responses默認(rèn)是交給def parse這個函數(shù)處理的）

Spiders：（處理完畢數(shù)據(jù)之后對于需要跟進(jìn)的URL），Hi！引擎，這是我需要跟進(jìn)的URL，將它的responses交給函數(shù) def  xxxx(self, responses)處理。還有這是我獲取到的Item。

引擎：Hi ！Item Pipeline 我這兒有個item你幫我處理一下！調(diào)度器！這是我需要的URL你幫我處理下。然后從第四步開始循環(huán)，直到獲取到你需要的信息，

注意！只有當(dāng)調(diào)度器中不存在任何request了，整個程序才會停止，（也就是說，對于下載失敗的ＵＲＬ，Scrapy會重新下載。）

再總結(jié)下，流程是：

　　　　　核心引擎從爬蟲獲取初始url，并生成一個Request任務(wù)投入Scheduler調(diào)度計劃里

　　　　　引擎向調(diào)度器請求一個新的Request爬取任務(wù)并轉(zhuǎn)發(fā)給downloader下載器

　　　　　下載器載入頁面并返回一個Response響應(yīng)給引擎

　　　　　引擎將Response轉(zhuǎn)發(fā)給Spider爬蟲做 數(shù)據(jù)提取 和 搜索新的跟進(jìn)地址

　　　　　處理結(jié)果由引擎做分發(fā)：提取的數(shù)據(jù) -> ItemPipeline管道，新的跟進(jìn)地址Request -> 調(diào)度器

　　　　   流程返回第二步循環(huán)執(zhí)行，直至調(diào)度器中的任務(wù)被處理完畢