Scrapy介绍及入门

 

 一、Scrapy简介

       Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

      其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

二、架构概览

1. Scrapy Engine

       引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分。此组件相当于爬虫的“大脑”，是整个爬虫的调度中心。

2. 调度器(Scheduler)

        调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。

       初始的爬取URL和后续在页面中获取的待爬取的URL将放入调度器中，等待爬取。同时调度器会自动去除重复的URL（如果特定的URL不需要去重也可以通过设置实现，如post请求的URL）

3. 下载器(Downloader)

        下载器负责获取页面数据并提供给引擎，而后提供给spider。

4. Spiders

        Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。

5. Item Pipeline

       Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库中)。

       当页面被爬虫解析所需的数据存入Item后，将被发送到项目管道(Pipeline)，并经过几个特定的次序处理数据，最后存入本地文件或存入数据库。

6. 下载器中间件(Downloader middlewares)

       下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。通过设置下载器中间件可以实现爬虫自动更换user-agent、IP等功能。

7. Spider中间件(Spider middlewares)

       Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。

8. 数据流(Data flow)

       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。

       8) 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。

       9) (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。

三、创建项目

       在开始抓取之前，你必须建立一个新的零碎项目。输入要在其中存储代码并运行的目录：

      创建了一个tutorial目录包含以下内容：

四、创建第一只sipder

       爬行器是定义的类，Scrapy使用它从一个网站(或一组网站)中抓取信息。它们必须是子类 Spider 并定义要做出的初始请求，可选的是如何跟随页面中的链接，以及如何解析下载的页面内容以提取数据。
       创建第一只spider的代码。将其保存在tutorial/spiders 项目命名文件为quotes_spider.py中：

       Spider子类 scrapy.Spider 并定义了一些属性和方法：

       name ：标识spider。它在一个项目中必须是唯一的，即不能为不同的爬行器设置相同的名称。

       start_requests() ：必须返回请求的可迭代(可以返回请求列表或编写生成器函数)，爬行器将从该请求开始爬行。后续请求将从这些初始请求中相继生成。

       parse() ：将被调用以处理为每个请求下载的响应的方法。Response参数是 TextResponse 它保存页面内容，并具有进一步有用的方法来处理它。

       这个 parse() 方法通常解析响应，将抓取的数据提取为字典，还查找要遵循的新URL并创建新请求 (Request )。

    运行创建的sipder，此命令运行我们刚刚添加的spider quotes，这将发送一些 quotes.toscrape.com 领域。您将得到类似于以下内容的输出：

       现在，检查当前目录中的文件。您应该注意到已经创建了两个新文件： quotes-1.html 和 quotes-2.HTML, 将各个URL的内容作为 parse 方法指示。

 五、提取数据

          scrappy提取数据的最佳方法是使用 Scrapy shell ：

       使用shell，可以尝试使用 CSS 对于响应对象：

       要从上述标题中提取文本，可以执行以下操作：

       这里有两件事需要注意：一是我们已经添加了 ::text 对于CSS查询，意味着我们只想直接选择内部的文本元素