這篇文章帶給大家的內容是關於Python爬蟲框架Scrapy的簡單介紹,有一定的參考價值,有需要的朋友可以參考一下,希望對你有幫助。
Scrapy 框架
Scrapy是用純Python實作為了爬取網站資料、提取結構性資料而寫的應用框架,用途非常廣泛。
框架的力量,使用者只需要自訂開發幾個模組就可以輕鬆的實現一個爬蟲,用來抓取網頁內容以及各種圖片,非常之方便。
Scrapy 使用了Twisted'twɪstɪd非同步網路框架來處理網路通訊,可以加快我們的下載速度,不用自己去實現非同步框架,並且包含了各種中間件接口,可以靈活的完成各種需求。
Scrapy架構圖(綠線是資料流向):
95625f65089e4bc98a269cfda6701597.png
Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Schedulerrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler訊號、資料傳遞等。
Scheduler(調度器): 它負責接受引擎發送過來的Request請求,並按照一定的方式進行整理排列,入隊,當引擎需要時,交還給引擎。
Downloader(下載器):負責下載Scrapy Engine(引擎)發送的所有Requests請求,並將其獲取到的Responses交還給Scrapy Engine(引擎),由引擎交給Spider來處理,
Spider(爬蟲):它負責處理所有Responses,從中分析提取數據,獲取Item字段需要的數據,並將需要跟進的URL提交給引擎,再次進入Scheduler(調度器),
Item Pipeline(管道):它負責處理Spider中獲取到的Item,並進行後期處理(詳細分析、過濾、存儲等)的地方.
Downloader Middlewares(下載中間件):你可以當作是可以自訂擴充下載功能的元件。
Spider Middlewares(Spider中間件):你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件(例如進入Spider的Responses;和從Spider出去的Requests)
b847d7fa404a404ca0a656028ada63b5.png
如果你在學習Python的過程中遇見了很多疑問和難題,可以加-q-u-n 227 -435-450裡面有題,可以加-q-u-n 227 -435-450裡面有題,可以加法#Scrapy#的運作流程
程式碼寫好,程式開始運作...
引擎:Hi! Spider, 你要處理哪一個網站?
Spider:老大要我處理xxxx.com。
引擎:你把第一個需要處理的URL給我吧。
Spider:給你,第一個URL是xxxxxxx.com。
引擎:Hi!調度器,我這有request請求你幫我排序入隊一下。
調度器:好的,正在處理你等一下。
引擎:Hi!調度器,把你處理好的request請求給我。
調度器:給你,這是我處理好的request
引擎:Hi!下載器,你按照老大的下載中間件的設定幫我下載一下這個request請求
下載器:好的!給你,這是下載好的東西。 (如果失敗:sorry,這個request下載失敗了。然後引擎告訴調度器,這個request下載失敗了,你記錄一下,我們待會兒再下載)
引擎:Hi! Spider,這是下載好的東西,並且已經按照老大的下載中間件處理過了,你自己處理一下(注意!這兒responses預設是交給def parse()這個函數處理的)
Spider :(處理完畢資料之後對於需要跟進的URL),Hi!引擎,我這裡有兩個結果,這個是我需要跟進的URL,還有這個是我拿到的Item資料。
引擎:Hi !管道 我這兒有個item你幫我處理一下!調度器!這是要跟進URL你幫我處理下。然後從第四步開始循環,直到獲取完老大需要全部資訊。
管道``調度器:好的,現在就做!
注意!只有當調度器中不存在任何request了,整個程式才會停止,(也就是說,對於下載失敗的URL,Scrapy也會重新下載。)
製作Scrapy 爬蟲一共需要4步:
新專案(scrapy startproject xxx):新建一個新的爬蟲專案
#明確目標(寫items.py):明確你想要抓取的目標
製作爬蟲(spiders/xxspider.py):製作爬蟲開始爬取網頁
儲存內容(pipelines.py):設計管道儲存爬取內容
#以上是Python爬蟲框架Scrapy的簡單介紹的詳細內容。更多資訊請關注PHP中文網其他相關文章!