Scrapy入门-创新互联

Scrapy主要包括以下组件：

    引擎：用来处理整个系统的数据流处理，触发事务。

    调度器：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

   下载器：用来下载网页内容，并将网页内容返回给蜘蛛。

    蜘蛛：蜘蛛是主要干活的，用它来制定特定域名或网页的解析规则

    项目管道：负责处理有蜘蛛从网页抽取的项目，他的主要任务是清晰、验证和储存数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过及格特定的次序处理数据。

    下载器中间件：位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及相应。

    蜘蛛中间件：位于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输入。

    调度中间件：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

创建一个Scrapy项目:

    在开始爬取之前，你必须创建一个新的Scrapy项目。

    再进入你打算存储代码的目录中，运行下列命令：

    scrapy startproject tutorial

该命令将会创建下列内容的tutorial目录:

        tutorial/

         scrapy.cfg

         tutorial/

           __init__.py

            items.py

            pipelines.py

            settings.py

            spiders/

             __init__.py

             .....

这些文件分别是:

        scrapy.cfg:项目的配置文件

        tutorial/:该项目的python模块。之后你将在此加入代码。

        tutorial/items.py:项目中的item文件。

        tutorial/pipelines.py:项目中的pipelines文件。

        tutorial/settings.py:项目中的配置文件。

        tutorial/spiders/:放置spider代码的目录。

定义item

    ·item是保存爬取到的数据的容器；其使用方法和python的字典类似，并且提供了额外的保护机制来避免拼写错误导致的未定义字段错误。

    ·类似在ORM中做的一样，你可以通过创建一个scrapy.Item类，并且定义类型为scrapy.Field的类属性来定义一个Item。

各部件职能：

Scrapy Engine: 这是引擎，负责Spiders、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等

Scheduler(调度器): 它负责接受引擎发送过来的requests请求，并按照一定的方式进行整理排列，入队、并等待Scrapy Engine(引擎)来请求时，交给引擎。简单的说，就是负责从引擎接受request并入队，当引擎请求他们时返回request

Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，获取页面数据并提供给引擎，并将其获取到的Responses交还给Scrapy Engine(引擎)，而后由引擎交给Spiders来处理，

Spiders：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，

Item Pipeline：它负责处理Spiders中获取到的Item，并进行处理，比如去重，持久化存储（存数据库，写入文件，总之就是保存数据用的）

Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件

Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spiders中间‘通信‘的功能组件（比如进入Spiders的Responses;和从Spiders出去的Requests）

数据在整个Scrapy的流向：

通俗版：

程序运行的时候，

引擎：Hi！Spider, 你要处理哪一个网站？

Spiders：我要处理23wx.com

引擎：你把第一个需要的处理的URL给我吧。

Spiders：给你第一个URL是XXXXXXX.com

引擎：Hi！调度器，我这有request你帮我排序入队一下。

调度器：好的，正在处理你等一下。

引擎：Hi！调度器，把你处理好的request给我，

调度器：给你，这是我处理好的request

引擎：Hi！下载器，你按照下载中间件的设置帮我下载一下这个request

下载器：好的！给你，这是下载好的东西。（如果失败：不好意思，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。）

引擎：Hi！Spiders，这是下载好的东西，并且已经按照Spider中间件处理过了，你处理一下（注意！这儿responses默认是交给def parse这个函数处理的）

Spiders：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，这是我需要跟进的URL，将它的responses交给函数 def  xxxx(self, responses)处理。还有这是我获取到的Item。

引擎：Hi ！Item Pipeline 我这儿有个item你帮我处理一下！调度器！这是我需要的URL你帮我处理下。然后从第四步开始循环，直到获取到你需要的信息，

注意！只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的ＵＲＬ，Scrapy会重新下载。）

再总结下，流程是：

核心引擎从爬虫获取初始url，并生成一个Request任务投入Scheduler调度计划里

引擎向调度器请求一个新的Request爬取任务并转发给downloader下载器

下载器载入页面并返回一个Response响应给引擎

引擎将Response转发给Spider爬虫做 数据提取 和 搜索新的跟进地址

处理结果由引擎做分发：提取的数据 -> ItemPipeline管道，新的跟进地址Request -> 调度器

  流程返回第二步循环执行，直至调度器中的任务被处理完毕

另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。