一、介绍:

        Scrapy一个开源和协作的框架,其最初是为了页面抓取所设计的,使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛,可用于如数据挖掘、监测和自动化测试等领域,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 是基于twisted框架开发而来,twisted是一个流行的事件驱动的python网络框架。因此Scrapy使用了一种非阻塞(又名异步)的代码来实现并发。整体架构大致如下一、Scrapy的简单使用-爬虫

执行流程:

1.引擎从spider获取初始爬行请求。

2.引擎在调度程序中调度请求,并请求下一个要爬行的请求。

3.调度程序将下一个请求返回到引擎。

4.引擎将请求发送到下载器,并通过下载器中间件(请参见process_request())。

5.一旦页面完成下载,下载器将生成响应(使用该页面),并将其发送到引擎,并通过下载器中间软件(请参见process_response())。

6.引擎接收下载器的响应并将其发送给spider进行处理,并通过spider中间件进行处理(请参见process_spider_input())。

7.spider处理响应,并通过spider中间件(请参见process_spider_output())向引擎返回刮掉的项目和新请求(后续)。

8.引擎将已处理的项目发送到项目管道,然后将已处理的请求发送到计划程序,并请求可能的下一个请求进行爬网。

9.该过程重复(从步骤1开始),直到调度程序不再发出请求。


各组件以及作用

  1. 引擎(EGINE)

    引擎负责控制系统所有组件之间的数据流,并在某些动作发生时触发事件。有关详细信息,请参见上面的数据流部分。

  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的优先级队列, 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(DOWLOADER)用于下载网页内容, 并将网页内容返回给EGINE,下载器是建立在twisted这个高效的异步模型上的

  4. 爬虫(SPIDERS)SPIDERS是开发人员自定义的类,用来解析responses,并且提取items,或者发送新的请求

  5. 项目管道(ITEM PIPLINES)在items被提取后负责处理它们,主要包括清理、验证、持久化(比如存到数据库)等操作

  6. 下载器中间件(Downloader Middlewares)

    位于Scrapy引擎和下载器之间,主要用来处理从EGINE传到DOWLOADER的请求request,已经从DOWNLOADER传到EGINE的响应response

  7. 爬虫中间件(Spider Middlewares)位于EGINE和SPIDERS之间,主要工作是处理SPIDERS的输入(即responses)和输出(即requests)


安装

#Windows平台

    1、pip3 install wheel #安装后,便支持通过wheel文件安装软件,wheel文件官网:https://www.lfd.uci.edu/~gohlke/pythonlibs

    3、pip3 install lxml

    4、pip3 install pyopenssl

    5、下载并安装pywin32:https://sourceforge.net/projects/pywin32/files/pywin32/

            https://nchc.dl.sourceforge.net/project/pywin32/pywin32/Build%20221/pywin32-221.win-amd64-py3.6.exe

    6、下载twisted的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

           https://download.lfd.uci.edu/pythonlibs/r5uhg2lo/Twisted-18.9.0-cp36-cp36m-win_amd64.whl

    7、执行pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl (需先使用pip安装wheel 支持whl 软件包,然后把文件下载后,本地安装)

    8、pip3 install scrapy

  

#Linux平台

    1、pip3 install scrapy


常用命令

#1 查看帮助

    scrapy -h

    scrapy <command> -h


#2 有两种命令:其中Project-only必须切到项目文件夹下才能执行,而Global的命令则不需要

    Global commands:

        startproject #创建项目

        scrapy startproject amazon

        genspider    #创建爬虫程序  指定名称 限制爬取的网址

        scrapy genspider amzon www.amzon.cn

        settings     #如果是在项目目录下,则得到的是该项目的配置

        scrapy settings --get BOT_NAME

        runspider    #运行一个独立的python文件,不必创建项目

        scrapy runspider amzon.py

        shell        #scrapy shell url地址  在交互式调试,如选择器规则正确与否

        scrapy shell www.taobao.com

        fetch        #单纯地爬取一个页面,不打开浏览器,可以拿到请求头

        scrapy fetch --nolog http://www.baidu.com 不输出日志

             scrapy fetch --nolog --header http://www.baidu.com 不输出日志  只查看头信息

        view         #下载完毕后直接弹出浏览器,以此可以分辨出哪些数据是ajax请求

        scrapy view http://www.baidu.com

        version      #scrapy version 查看scrapy的版本,scrapy version -v查看scrapy依赖库的版本

        scrapy version -v

            

            

    Project-only commands:

#必须先切换到对应的目录才能执行

        crawl        #运行爬虫,必须创建项目才行,确保配置文件中ROBOTSTXT_OBEY = False

        scrapy crawl amzon

        check        #检测项目中有无语法错误

        scrapy check

        list         #列出项目中所包含的爬虫名

        scrapy list

        edit         #编辑器,一般不用

        parse        #scrapy parse url地址 --callback 回调函数  #以此可以验证我们的回调函数是否正确

        bench        #scrapy bentch压力测试

#3 官网链接

    https://docs.scrapy.org/en/latest/topics/commands.html


目录结构

project_name/

   scrapy.cfg

   project_name/

       __init__.py

       items.py

       pipelines.py

       settings.py

       spiders/

           __init__.py

           爬虫1.py

           爬虫2.py

           爬虫3.py

文件说明:

scrapy.cfg  项目的主配置信息,用来部署scrapy时使用,爬虫相关的配置信息在settings.py文件中。

items.py    设置数据存储模板,用于结构化数据,如:Django的Model

pipelines    数据处理行为,如:一般结构化的数据持久化

settings.py 配置文件,如:递归的层数、并发数,延迟下载等。强调:配置文件的选项必须大写否则视为无效,正确写法USER_AGENT='xxxx'

spiders      爬虫目录,如:创建文件,编写爬虫规则

注意:一般创建爬虫文件时,以网站域名命名


import sys,os

sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')


在pycharm中运行爬虫程序

在项目目录下新建:entrypoint.py

from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'amzon'])