Python爬虫知识点四--scrapy框架

一。scrapy结构数据

解释：

1.名词解析：

o 引擎(Scrapy Engine) o 调度器(Scheduler) o 下载器(Downloader) o 蜘蛛(Spiders) o 项目管道(Item Pipeline) o 下载器中间件(Downloader Middlewares) o 蜘蛛中间件(Spider Middlewares) o 调度中间件(Scheduler Middlewares)

2.具体解析

绿线是数据流向  从初始URL开始，Scheduler会将其交给Downloader进 行下载  下载之后会交给Spider进行分析  Spider分析出来的结果有两种  一种是需要进一步抓取的链接，如 “下一页”的链接，它们 会被传回Scheduler；另一种是需要保存的数据，它们被送到Item Pipeline里，进行 后期处理（详细分析、过滤、存储等）。  在数据流动的通道里还可以安装各种中间件，进行必 要的处理。

二。初始化爬虫框架  Scrapy

命令： scrapy startproject qqnews

ps：真正的项目是在spiders里面写入的

 三。scrapy组件spider

爬取流程  1. 先初始化请求URL列表，并指定下载后处 理response的回调函数。 2. 在parse回调中解析response并返回字典,Item 对象,Request对象或它们的迭代对象。 3 .在回调函数里面，使用选择器解析页面内容 ，并生成解析后的结果Item。 4. 最后返回的这些Item通常会被持久化到数据库 中(使用Item Pipeline)或者使用Feed exports将 其保存到文件中。

标准项目结构实例：

1.items结构：定义变量，根据不同种数据结构定义

2.spider结构中引入item里面，并作填充item

 3。pipline去清洗，验证，存入数据库，过滤等等 后续处理

Item Pipeline常用场景  清理HTML数据  验证被抓取的数据(检查item是否包含某些字段)  重复性检查(然后丢弃)  将抓取的数据存储到数据库中

4.Scrapy组件Item Pipeline

经常会实现以下的方法：  open_spider(self, spider) 蜘蛛打开的时执行  close_spider(self, spider) 蜘蛛关闭时执行  from_crawler(cls, crawler) 可访问核心组件比如配置和 信号，并注册钩子函数到Scrapy中

 pipeline真正处理逻辑

定义一个Python类，实现方法process_item(self, item, spider)即可，返回一个字典或Item，或者抛出DropItem 异常丢弃这个Item。

5.settings中定义哪种类型的pipeline