在爬虫的路上,学习scrapy
是一个必不可少的环节。也许有好多朋友此时此刻也正在接触并学习scrapy
,那么很好,我们一起学习。开始接触scrapy
的朋友可能会有些疑惑,毕竟是一个框架,上来不知从何学起。从本篇起,博主将开启scrapy
学习的系列,分享如何快速入门scrapy并熟练使用它。
本篇作为第一篇,主要介绍和了解scrapy
,在结尾会向大家推荐一本关于学习scrapy
的书,以及获取的方式。
如果你对爬虫的基础知识有了一定了解的话,那么是时候该了解一下爬虫框架了。那么为什么要使用爬虫框架?
博主当时是根据这几点来进行爬虫框架的学习的,切记核心目标是掌握一种框架思想,一种框架的能力,掌握了这种思想你才能更好的去使用它,甚至扩展它。
比较流行的爬虫的框架有scrapy
和pyspider
,但是被大家所钟爱的我想非scrapy
莫属了。scrapy
是一个开源的高级爬虫框架,我们可以称它为"scrapy语言"。它使用python
编写,用于爬取网页,提取结构性数据,并可将抓取得结构性数据较好的应用于数据分析和数据挖掘。scrapy
有以下的一些特点:
scrapy
基于事件的机制,利用twisted
的设计实现了非阻塞的异步操作。这相比于传统的阻塞式请求,极大的提高了CPU的使用率,以及爬取效率。scrapy + redis
、爬虫可视化等插件。scrapy
封装了xpath
等解析器,提供了更方便更高级的selector
构造器,可有效的处理破损的HTML
代码和编码。有的朋友问了,为什么要使用scrapy,不使用不行吗?用resquests + beautifulsoup
组合难道不能完成吗?
不用纠结,根据自己方便来。resquests + beautifulsoup
当然可以了,requests + 任何解析器都行,都是非常好的组合。这样用的优点是我们可以灵活的写我们自己的代码,不必拘泥于固定模式。对于使用固定的框架有时候不一定用起来方便,比如scrapy
对于反反爬的处理并没有很完善,好多时候也要自己来解决。
但是对于一些中小型的爬虫任务来讲,Scrapy
确实是非常好的选择,它避免了我们来写一些重复的代码,并且有着出色的性能。我们自己写代码的时候,比如为了提高爬取效率,每次都自己码多线程或异步等代码,大大浪费了开发时间。这时候使用已经写好的框架是再好不过的选择了,我们只要简单的写写解析规则和pipeline
等就好了。那么具体哪些是需要我们做的呢?看看下面这个图就明白了。
参考来源在本文末
因此,对于该用哪个,根据个人需求和喜好决定。但是至于学习的先后顺序,博主建议先学学resquests + beautifulsoup,然后再接触Scrapy效果可能会更好些,仅供参考。
在学习Scrapy之前,我们需要了解Scrapy的架构,明白这个架构对学习scrapy至关重要。
Scrapy官方文档的图片
下面的描述引自官方doc文档(在此引用),讲的很清楚明白,对照这个图看就能明白。
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。
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。
下载器负责获取页面数据并提供给引擎,而后提供给spider。
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。
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。
数据流过程
下面博主列出两个学习scrapy的参考资料。
参考: https://doc.scrapy.org/en/latest/index.html (官方文档) https://www.cnblogs.com/x-pyue/p/7795315.html(第一个图片来源)