环境搭建上参看官方说明文档:http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/install.html
从 https://www.python.org/download/ 上安装Python 2.7.
您需要修改 PATH 环境变量,将Python的可执行程序及额外的脚本添加到系统路径中。将以下路径添加到 PATH 中:
C:\Python2.7\;C:\Python2.7\Scripts\;
1
C:\Python2.7\;C:\Python2.7\Scripts\;
请打开命令行,并且运行以下命令来修改 PATH:
c:\python27\python.exe c:\python27\tools\scripts\win_add2path.py
1
c:\python27\python.exe c:\python27\tools\scripts\win_add2path.py
关闭并重新打开命令行窗口,使之生效。运行接下来的命令来确认其输出所期望的Python版本:
<span class="n">python</span> <span class="o">--</span><span class="n">version</span>
1
<span class="n">python</span> <span class="o">--</span><span class="n">version</span>
pip
被正确安装:
<span class="n">pip</span> <span class="o">--</span><span class="n">version</span>
1
<span class="n">pip</span> <span class="o">--</span><span class="n">version</span>
pip
已经可以正确运行了。接下来安装Scrapy:
pip install Scrapy
1
pip install Scrapy
python-scrapy
,相较于最新版的Scrapy,该包版本太旧,并且运行速度也较为缓慢。如果您更倾向于本地构建python的依赖,而不是使用系统库(system package), 您需要先安装非python的依赖:
sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
1
sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
pip
安装Scrapy:
pip install Scrapy
1
pip install Scrapy
Scrapy框架主要由五大组件组成,它们分别是调试器(Scheduler)、下载器(Downloader)、爬虫(Spider)和实体管道(Item Pipeline)、Scrapy引擎(Scrapy Engine)。下面我们分别介绍各个组件的作用。
调度器,说白了可以想像成一个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(不做无用功)。用户可以跟据自己的需求定制调度器。
下载器,是所有组件中负担最大的,它用于高速地下载网络上的资源。Scrapy的下载器代码不会太复杂,但效率高,主要的原因是Scrapy下载器是建立在twisted这个高效的异步模型上的(其实整个框架都在建立在这个模型上的)。
爬虫,是用户最关心的部份。用户定制自己的爬虫,用于从特定的网页中提取自己需要的信息,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。
实体管道,用于处理爬虫提取的实体。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。
Scrapy引擎是整个框架的核心。它用来控制调试器、下载器、爬虫。实际上,引擎相当于计算机的CPU,它控制着整个流程。
Scrapy运行流程大概如下:
本文链接地址: Scrapy笔记零 环境搭建与五大组件架构