大白话Scrapy爬虫

这两年爬虫技术应用比较火,最近在学习Scrapy,学习中写了一些笔记,分享给大家。写的不好多多包涵。

一、Scrapy蜘蛛框架

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。其可以应用在数据挖掘,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。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。

二:Scrapy框架

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

三:Scrapy框架组件介绍

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)。它主要负责Spiders、Scheduler、Downloader、ItemPipeline组件之间的通信、信号、数据传输等。
  • 调度器(Scheduler) 用来接受引擎Scrapy发过来的请求, 并按照一定的排列方式把请求压入队列中, 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爬虫(Scrapy下载器是建立在twisted这个高效的异步模型上的)。它其实就是获取引擎发送过来的request 请求,按照队列给的URL获取对应的URL的数据形成responses 数据返回给引擎,再于引擎返给Scrapy爬虫来处理。
  • 爬虫(Spiders) 爬虫是主要干活的, 用于从特定的网页中提取需要的信息, 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。它主要是从responses分离、提取数据,获取到所需要item实体数据。
  • 项目管道(ItemPipeline) 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 Middewares) 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。

四:大白话Scrapy运行流程

  1. 引擎:hello, spider,你要处理哪一下网站?
  2. spider:老大要我处理xx.com
  3. 引擎:你把第一个需要处理的URL给我吧。
  4. spider:给你,这是第一个url xxooxx.com
  5. 引擎:hello,调度器,我这有个request 请求你帮我排列里下。
  6. 调度器:好的,正在帮你处理,请稍。
  7. 引擎:Hi,调度器,把你处理好的request 请求给我下。
  8. 调度器:给你,这是我处理好的request
  9. 引擎:Hi,下载器材,你按照老大给的“下载中间件”的模板,下载这个request请求的数据。
  10. 下载器:好的!在下载中......,好了,给你这是下载好的东西。
  11. 引擎:Hi,spider,这是下载好的东西。
  12. spider:好的,我按照老大给的模板整理好,出个“Item”表。
  13. spider:hello, 引擎,我这有新任务。。。。。。。。。。。。。。

五:大官话Scrapy运行流程

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

原文发布于微信公众号 - 全华班(quanhuaban)

原文发表时间:2018-04-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏前端黑板报

构建离线web应用(二)

本文由哔哩哔哩前端工程师 墨白 翻译分享 上一篇文章中,我们成功尝试使用 service workers。我们也可以在应用中缓存一些资源。这篇文章我们准备了解这...

2168
来自专栏简书专栏

基于scrapy的腾讯社会招聘爬虫

2018年6月9日复习scrapy爬虫框架 1.本人操作系统为Win10,python版本为3.6,使用的命令行工具为powershell,所起作用和cmd的...

1782
来自专栏云技术

基于Raft深度优化,腾讯云金融级消息队列CMQ高可靠算法详解

分布式系统是指一组独立的计算机,通过网络协同工作的系统,客户端看来就如同单台机器在工作。随着互联网时代数据规模的爆发式增长,传统的单机系统在性能和可用性上已经无...

5147
来自专栏北京马哥教育

Linux之HA高可用集群的基础概念总结

HA(High Availability)高可用集群,其特点为根据实际需求为前端Diretor,后端RS-server,数据库服务器,共享存储等集群节点做一个...

4276
来自专栏黑白安全

在代理环境下使用sqlmap

在sqlmap手册里,关于代理讲的并不是太详细。因为这两天正好遇到了,所以写篇科普文。 目标: 使用 sqlmap 在代理(包括 tor)环境下进行注入。 环境...

1871
来自专栏轻扬小栈

Pogoplug 破狗 配置源

5484
来自专栏python学习路

一、scrapy的下载安装---Windows(安装软件太让我伤心了) 总的来说:

写博客就和笔记一样真的很有用,你可以随时的翻阅。爬虫的爬虫原理与数据抓取、非结构化与结构化数据提取、动态HTML处理和简单的图像识别已经学完,就差整理博客了 开...

2877
来自专栏黑泽君的专栏

【代码规范神器】阿里巴巴Java开发规约IDE插件使用教程(P3C)

  继阿里公布Java开发手册(终极版)后,今天中午阿里技术公众号推文中又公布几款开源项目,其中一款插件(阿里巴巴Java开发规范插件)

1222
来自专栏smy

图片和视频防盗链简单介绍

一. 防盗链原理 http 协议中,如果从一个网页跳到另一个网页,http 头字段里面会带个 Referer。图片服务器通过检测 Referer 是否来自规定域...

7996
来自专栏沈唁志

PHP 怎么使用 XPath 来采集页面数据内容

之前有说过使用 Python 使用 XPath 去采集页面数据内容,前段时间参与百度内测的一个号主页展现接口,需要文章页面改造的application/ld+j...

1062

扫码关注云+社区

领取腾讯云代金券