使用scrapy爬虫框架做项目

‘’’
升级 pip:python -m pip install -upgrade pip
网络安装 wheel
网络安装 lxml
网络安装 Twisted (异步网络库，处理网络通讯）
pip install scrapy 或 pip install scrapy==1.1.0rc3
下载安装pywin32并配置
配置：将C:\ProgramData\Anaconda3\envs\python38\Lib\site-packages\pywin32_system32 下的两个dll 文件
复制到c:\windows\system32 下

Python各种包下载路径：https://www.lfd.uci.edu/~gohlke/pythonlibs/

scrapy 常用的指令：
scrapy startproject 项目名称 #创建爬虫项目
scrapy genspider -l #查看爬虫模板
scrapy genspider -t 模板 爬虫文件名 域名 # 创建爬虫
scrapy crawl 文件名 #运行爬虫
scrapy list #查看有哪些爬虫(文件名）
scrapy 回车,查看所有指令

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) [ˈskɛdʒʊlər]
    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 Middlewares)  [ˈskɛdʒʊlər]  [ˈmɪdlwer]
    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。

Scrapy运行流程大概如下：
    引擎从调度器中取出一个链接(URL)用于接下来的抓取
    引擎把URL封装成一个请求(Request)传给下载器
    下载器把资源下载下来，并封装成应答包(Response)
    爬虫解析Response
    解析出实体（Item）,则交给实体管道进行进一步的处理
    解析出的是链接（URL）,则把URL交给调度器等待抓取

作者：Haraway
链接：https://www.jianshu.com/p/d2c8b1496949

项目流程：
创建项目
scrapy startproject 项目名
用模板生成爬虫文件
scrapy genspider -l #查看模板名
scrapy genspider -t basic fst aliwx.com.cn

编写items ，确定目标内容
创建爬虫文件
编写爬虫文件
编写pipelines，爬后处理，如写入数据库之类，可有可无，一般建议写上
配置settings ，项目全局配置

‘’’
Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下：

scrapy框架结构：

scrapy.cfg: 项目的配置文件。
find/: 该项目的python模块。之后您将在此加入代码。
find/items.py: 项目中的item文件。
find/pipelines.py: 项目中的pipelines文件。
find/settings.py: 项目的设置文件。
find/spiders/: 放置spider代码的目录。