Scrapy 框架图
scrapy框架图
scrapy框架介绍
组件介绍
1.scrapy engine :负责按制数据流在系统中的所有组件流动。相当于框架的main函数。
2.scheduler:调用器。从引擎接收request(准确来说,应该是通过Spider产生了Request),并入队,以便以后引擎请求调用,爬取数据。
3.downloader 下载器:顾名思议了:就是接收request,向互联网发送请求,下载网络资源。
4.Spider 、爬虫:spider功能就要是分析response并提取item(这个item可用于后续进行数据存储),额进额外的URL。
5.item pipeline 爬虫数据的处理:可以进行爬取数据的过滤、验证以及持久化。
6. downloader middlewares 下载器中间件:用于处理下载器给引擎的response。
7.spider middleware 爬虫中间件:处理输入的request,以及生成的response。
数据流
1.引擎打开一个网站(open a domain),找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
2.引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
3.引擎向调度器请求下一个要爬取的URL。
4.调度器返回下一个要爬取的URL给引擎,引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
5.一旦页面下载完毕,下载器生成一个该页面的Response,并将其通过下载中间件(返回(response)方向)发送给引擎。
6.引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
7.Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
引擎将(Spider返回的)爬取到的Item给Item Pipeline,将(Spider返回的)Request给调度器。
8.(从第二步)重复直到调度器中没有更多地request,引擎关闭该网站。
Spider介绍
编写爬虫程序,其主要的一个步骤就是要编写一个待爬取网站所对应的spider类,该类继承至Spider.
Spider类有几个重要的属性:
1.name–string 设置spider的名字,需要在命立行爬取的时候用到。
2.strart_urls 列表 :用于引擎开始爬取的网页URL。后续爬取的URL来自爬取的数据里。
3.logger :日志处理对象.info,debug等方法
4.start_requests(self): 在命立行执行爬虫的时候,如果没有给出指定的url,那么引擎会调用这个方法。该方法返回一个迭代器,迭代器的内容为Request.
5.parse(response) : 引擎默认的响应处理函数。如果没有在Request中指定响应处理函数,那么引擎会调用这个函数。
Spider例子—访问http://quotes.toscrape.com/网站,抓取所有文章的作者
1.代码块
```python
# coding:utf-8
import scrapy
__author__ = 'cong.tang'
class SpiderAuthor(scrapy.Spider):
name = 'authortest' #为这个spider取一个独一无二的名字,会在命立行中执行有用
def start_requests(self):
return [scrapy.FormRequest('http://quotes.toscrape.com/')]
def parse(self, response):
for quote in response.css('div.quote'):
yield {'author':quote.css('small.author::text').extract_first()} #查找作者名,便这是找到的是第一个页的数据
next_page = response.css('li.next a::attr(href)').extract_first() #找到下一个页面
yield scrapy.Request(response.urljoin(next_page),callback=self.parse)
pass
pass
if name == ‘main‘:
pass
“`
2.执行
scrapy crawl authortest -o author.json(指定生的输出文件名)
会到以下输出结果:
Scrapy 框架中内置的 Spider为,crawlSpider
明天继续写