为什么要学习Scrapy,理由只有一个,那就是免费,一分钱都不用花!
数据流
Scrapy中的数据流由执行引擎控制,其过程如下:
- Engine从Spider获取第一个需要爬取URL(s)。
- Engine用Scheduler调度Requests,并向Scheduler请求下一个要爬取的URL。
- Scheduler返回下一个要爬取的URL给Engine。
- Engine将URL通过Downloader middlewares转发给Downloader。
- 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Downloader middlewares发送给Engine。
- 引擎从Downloader中接收到Response并通过Spider middlewares发送给Spider处理。
- Spider处理Response并返回爬取到的Item及新的Request给Engine。
- Engine将爬取到的Item给Item Pipeline,然后将Request给Scheduler。
- 从第一步开始重复这个流程,直到Scheduler中没有更多的URLs。
老张觉得自己聪明了。
所谓同步异步,只是对于水壶而言。普通水壶,同步;响水壶,异步。虽然都能干活,但响水壶可以在自己完工之后,提示老张水开了。这是普通水壶所不能及的。同步只能让调用者去轮询自己(情况2中),造成老张效率的低下。
所谓阻塞非阻塞,仅仅对于老张而言。立等的老张,阻塞;看电视的老张,非阻塞。情况1和情况3中老张就是阻塞的,媳妇喊他都不知道。虽然3中响水壶是异步的,可对于立等的老张没有太大的意义。所以一般异步是配合非阻塞使用的,这样才能发挥异步的效用。
编写第一个爬虫
Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。其包含了一个用于下载的初始URL,以及如何跟进网页中的链接以及如何分析页面中的内容的方法。
以下为我们的第一个Spider代码,保存在 tutorial/spiders 目录下的 quotes_spider.py文件中:
为了创建一个Spider,你必须继承 scrapy.Spider 类, 且定义以下三个属性:
- name: 用于区别Spider。 该名字必须是唯一的,您不可以为不同的Spider设定相同的名字。
- start_urls: 包含了Spider在启动时进行爬取的url列表。 因此,第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。
- parse() 是spider的一个方法。 被调用时,每个初始URL完成下载后生成的Response 对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data),提取数据以及生成需要进一步处理的URL的 Request 对象。
运行我们的爬虫
进入项目的根目录,执行下列命令启动spider:
再次运行这个爬虫,你将在日志里看到被提取出的数据:
下一步
系列写到这里,组里对下一步的计划产生了分歧,本人的意思是系列已经接近尾声了,可领导的意思是,连载可以正式开始了! What? 这不能忍啊!所以我立即做了一个艰难的决定,连载正式开始!详情下回分解,再见!
进群:125240963 即可获取数十本PDF哦!