Python爬蟲框架Scrapy的簡單介紹

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！