python之爬虫的入门06------scrapy框架

1、安装scrapy框架：
pip install scrapy

2、scrapy原理图：
python之爬虫的入门06------scrapy框架

3、介绍：

Scrapy Engine引擎
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。

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。

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。

Spiders（爬虫）
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。

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)。

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（也包括引擎传递给下载器的Request）。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。
一句话总结就是：处理下载请求部分

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。
一句话总结就是：处理解析部分

4、数据量过程：

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。

5、创建一个scrapy项目：
scrapy startproject mySpider
#mySpider是爬虫项目名字

6、进入项目，创建爬虫：
scrapy genspider xxx url
#xxx是爬虫的名字，不能重复。url是你需要爬取的网页的url地址

7、用pycharm打开项目文件，配置setting：
ROBOTSTXT_OBEY = False
USER_AGENT = ‘你的浏览器内核型号’

8、开启爬虫开始第一次爬取HTML页面：
scrapy crawl xxx
#xxx是爬虫名字

看到200的状态码：
(200) <GET https://hr.tencent.com/position.php> (referer: None)
就是爬取已经成功了！！！

class Tx01Spider(scrapy.Spider):
    name = "tx01"
    allowed_domains = ["https://hr.tencent.com"]
    start_urls = (
        'https://hr.tencent.com/position.php',
    )

    def parse(self, response):
        print('爬取成功')

在spider的tx01.py 的 parse里面对取到的response进行数据提取

python之爬虫的入门06------scrapy框架

相关推荐