快捷導(dǎo)航

詳解Python的爬蟲(chóng)框架 Scrapy

更新時(shí)間：2020年08月03日 09:05:57 作者：看云

這篇文章主要介紹了Python的爬蟲(chóng)框架 Scrapy的相關(guān)資料，文中講解非常細(xì)致，代碼幫助大家更好的理解和學(xué)習(xí)，感興趣的朋友可以了解下

網(wǎng)絡(luò)爬蟲(chóng)，是在網(wǎng)上進(jìn)行數(shù)據(jù)抓取的程序，使用它能夠抓取特定網(wǎng)頁(yè)的HTML數(shù)據(jù)。雖然我們利用一些庫(kù)開(kāi)發(fā)一個(gè)爬蟲(chóng)程序，但是使用框架可以大大提高效率，縮短開(kāi)發(fā)時(shí)間。Scrapy是一個(gè)使用Python編寫(xiě)的，輕量級(jí)的，簡(jiǎn)單輕巧，并且使用起來(lái)非常的方便。

一、概述

下圖顯示了Scrapy的大體架構(gòu)，其中包含了它的主要組件及系統(tǒng)的數(shù)據(jù)處理流程（綠色箭頭所示）。下面就來(lái)一個(gè)個(gè)解釋每個(gè)組件的作用及數(shù)據(jù)的處理過(guò)程（注：圖片來(lái)自互聯(lián)網(wǎng)）。

二、組件

1、Scrapy Engine（Scrapy引擎）

Scrapy引擎是用來(lái)控制整個(gè)系統(tǒng)的數(shù)據(jù)處理流程，并進(jìn)行事務(wù)處理的觸發(fā)。更多的詳細(xì)內(nèi)容可以看下面的數(shù)據(jù)處理流程。

2、Scheduler（調(diào)度）

調(diào)度程序從Scrapy引擎接受請(qǐng)求并排序列入隊(duì)列，并在Scrapy引擎發(fā)出請(qǐng)求后返還給他們。

3、Downloader（下載器）

下載器的主要職責(zé)是抓取網(wǎng)頁(yè)并將網(wǎng)頁(yè)內(nèi)容返還給蜘蛛( Spiders)。

4、Spiders（蜘蛛）

蜘蛛是有Scrapy用戶自己定義用來(lái)解析網(wǎng)頁(yè)并抓取制定URL返回的內(nèi)容的類，每個(gè)蜘蛛都能處理一個(gè)域名或一組域名。換句話說(shuō)就是用來(lái)定義特定網(wǎng)站的抓取和解析規(guī)則。

蜘蛛的整個(gè)抓取流程（周期）是這樣的：

首先獲取第一個(gè)URL的初始請(qǐng)求，當(dāng)請(qǐng)求返回后調(diào)取一個(gè)回調(diào)函數(shù)。第一個(gè)請(qǐng)求是通過(guò)調(diào)用start_requests()方法。該方法默認(rèn)從start_urls中的Url中生成請(qǐng)求，并執(zhí)行解析來(lái)調(diào)用回調(diào)函數(shù)。

在回調(diào)函數(shù)中，你可以解析網(wǎng)頁(yè)響應(yīng)并返回項(xiàng)目對(duì)象和請(qǐng)求對(duì)象或兩者的迭代。這些請(qǐng)求也將包含一個(gè)回調(diào)，然后被Scrapy下載，然后有指定的回調(diào)處理。

在回調(diào)函數(shù)中，你解析網(wǎng)站的內(nèi)容，同程使用的是Xpath選擇器（但是你也可以使用BeautifuSoup, lxml或其他任何你喜歡的程序），并生成解析的數(shù)據(jù)項(xiàng)。

最后，從蜘蛛返回的項(xiàng)目通常會(huì)進(jìn)駐到項(xiàng)目管道。

5、Item Pipeline（項(xiàng)目管道）

項(xiàng)目管道的主要責(zé)任是負(fù)責(zé)處理有蜘蛛從網(wǎng)頁(yè)中抽取的項(xiàng)目，他的主要任務(wù)是清晰、驗(yàn)證和存儲(chǔ)數(shù)據(jù)。當(dāng)頁(yè)面被蜘蛛解析后，將被發(fā)送到項(xiàng)目管道，并經(jīng)過(guò)幾個(gè)特定的次序處理數(shù)據(jù)。每個(gè)項(xiàng)目管道的組件都是有一個(gè)簡(jiǎn)單的方法組成的Python類。他們獲取了項(xiàng)目并執(zhí)行他們的方法，同時(shí)他們還需要確定的是是否需要在項(xiàng)目管道中繼續(xù)執(zhí)行下一步或是直接丟棄掉不處理。

項(xiàng)目管道通常執(zhí)行的過(guò)程有：

清洗HTML數(shù)據(jù)
驗(yàn)證解析到的數(shù)據(jù)（檢查項(xiàng)目是否包含必要的字段）
檢查是否是重復(fù)數(shù)據(jù)（如果重復(fù)就刪除）
將解析到的數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)庫(kù)中

6、Downloader middlewares（下載器中間件）

下載中間件是位于Scrapy引擎和下載器之間的鉤子框架，主要是處理Scrapy引擎與下載器之間的請(qǐng)求及響應(yīng)。它提供了一個(gè)自定義的代碼的方式來(lái)拓展Scrapy的功能。下載中間器是一個(gè)處理請(qǐng)求和響應(yīng)的鉤子框架。他是輕量級(jí)的，對(duì)Scrapy盡享全局控制的底層的系統(tǒng)。

7、Spider middlewares（蜘蛛中間件）

蜘蛛中間件是介于Scrapy引擎和蜘蛛之間的鉤子框架，主要工作是處理蜘蛛的響應(yīng)輸入和請(qǐng)求輸出。它提供一個(gè)自定義代碼的方式來(lái)拓展Scrapy的功能。蛛中間件是一個(gè)掛接到Scrapy的蜘蛛處理機(jī)制的框架，你可以插入自定義的代碼來(lái)處理發(fā)送給蜘蛛的請(qǐng)求和返回蜘蛛獲取的響應(yīng)內(nèi)容和項(xiàng)目。

8、Scheduler middlewares（調(diào)度中間件）

調(diào)度中間件是介于Scrapy引擎和調(diào)度之間的中間件，主要工作是處從Scrapy引擎發(fā)送到調(diào)度的請(qǐng)求和響應(yīng)。他提供了一個(gè)自定義的代碼來(lái)拓展Scrapy的功能。

三、數(shù)據(jù)處理流程

Scrapy的整個(gè)數(shù)據(jù)處理流程有Scrapy引擎進(jìn)行控制，其主要的運(yùn)行方式為：

1.引擎打開(kāi)一個(gè)域名，時(shí)蜘蛛處理這個(gè)域名，并讓蜘蛛獲取第一個(gè)爬取的URL。

2.引擎從蜘蛛那獲取第一個(gè)需要爬取的URL，然后作為請(qǐng)求在調(diào)度中進(jìn)行調(diào)度。

3.引擎從調(diào)度那獲取接下來(lái)進(jìn)行爬取的頁(yè)面。

4.調(diào)度將下一個(gè)爬取的URL返回給引擎，引擎將他們通過(guò)下載中間件發(fā)送到下載器。

5.當(dāng)網(wǎng)頁(yè)被下載器下載完成以后，響應(yīng)內(nèi)容通過(guò)下載中間件被發(fā)送到引擎。

6.引擎收到下載器的響應(yīng)并將它通過(guò)蜘蛛中間件發(fā)送到蜘蛛進(jìn)行處理。

7.蜘蛛處理響應(yīng)并返回爬取到的項(xiàng)目，然后給引擎發(fā)送新的請(qǐng)求。

8.引擎將抓取到的項(xiàng)目項(xiàng)目管道，并向調(diào)度發(fā)送請(qǐng)求。