python爬虫之scrapy框架详解
程序员文章站
2022-03-15 19:25:49
1.在pycharm下安装scrapy函数库2.将安装好scrapy函数库下的路径配置到系统path的环境变量中3.打开cmd终端输入:scrapy.exe检查是否安装成功4.创建一个项目:scrap...
1.在pycharm下安装scrapy函数库 2.将安装好scrapy函数库下的路径配置到系统path的环境变量中 3.打开cmd终端输入:scrapy.exe检查是否安装成功 4.创建一个项目:scrapy startproject 项目名字 5.cd进入该目录下,创建一个spider:scrapy genspider 项目名字 网址 6.编辑settings.py文件中的user_agent选项为正常的浏览器头部 7.执行这个spider:scrapy crawl 项目名字 8.如果遇到因pip版本太低导致安装不了scarpy函数库,可以先在cmd窗口输入py -m pip install --upgrade pip升级命令(前提是你的python环境下得有pip,可通过输入pip命令查看是否已安装,如未安装得去官网下载并解压至相应路径)
代码示例命令截图:
项目文件截图:
settings.py
文件截图:(需要修改爬取网站的user_agent)
scrapy运行工作流程图:
spiders
(爬虫):它负责处理所有responses
,从中分析提取数据,获取item字段需要的数据,并将需要跟进的url提交给引擎,再次进入scheduler(调度器)
engine
(引擎):负责spider
、itempipeline
、downloader
、scheduler
中间的通讯,信号、数据传递等。
scheduler
(调度器):它负责接受引擎发送过来的request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
downloader
(下载器):负责下载scrapy engine(引擎)发送的所有requests请求,并将其获取到的responses交还给scrapy engine(引擎),由引擎交给spider来处理
itempipeline
(管道):它负责处理spider中获取到的item,并进行进行后期处理(详细分析、过滤、存储等)的地方.
downloader middlewares
(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。
spider middlewares
(spider
中间件):你可以理解为是一个可以自定扩展和操作引擎和spider中间
通信的功能组件(比如进入spider的responses;和从spider出去的requests)
总结
本篇文章就到这里了,希望能够给你带来帮助,也希望您能够多多关注的更多内容!