使用Scrapy框架实现爬取

Scrapy框架

• Scrapy：Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。
• Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。
• 它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。
• Scrap,是碎片的意思，这个Python的爬虫框架叫Scrapy。

Scrapy架构流程

优势：

• 用户只需要定制开发几个模块，就可以轻松实现爬虫，用来抓取网页内容和图片，非常方便；
• Scrapy使用了Twisted异步网络框架来处理网络通讯，加快网页下载速度，不需要自己实现异步框架和多线程等，并且包含了各种中间件接口，灵活完成各种需求。

流程图：

Scrapy主要包括了以下组件：
• 引擎(Scrapy)：
用来处理整个系统的数据流，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。

流程举例：
代码写好，程序开始运行…

1. 引擎：Hi！Spider，你要处理哪一个网站？
2. Spider：老大要我处理xxx.com。
3. 引擎：你把需要处理的URL给我吧。
4. Spider：给你，第一个URL是xxxxxx.com。
5. 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
6. 调度器：好的，正在处理你等一下。
7. 引擎：Hi！调度器，把你处理好的request请求给我。
8. 调度器：给你，这是我处理好的request。
9. 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求。
10. 下载器：好的！给你，这是下载好的东西，（如果失败：sorry，这个request下载失败。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
11. 引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了