Python爬虫 --- 2.1 Scrapy 爬虫框架的安装与基本介绍


这次介绍一个及其强大的爬虫框架---Scrapy,Scrapy由 Python 编写,是一个快速、高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。

Srapy框架的安装:

无论是在windows还是mac以及linux下,都可以是用pip工具进行快速安装:

$ pip install scrapy

这里推荐一个非常好用的Python调试shell:ipython

ipython是一个python的交互式shell,比默认的python shell好用得多,支持变量自动补全,自动缩进,支持bash shell命令,内置了许多很有用的功能和函数。学习ipython将会让我们以一种更高的效率来使用python。同时它也是利用Python进行科学计算和交互可视化的一个最佳的平台。

我们依旧用pip工具进行安装:

$ pip install ipython

Scrapy框架的基本介绍:

首先,我们得明白一点,Scrapy不是一个功能函数库,而是是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架。简单的说,他是一个半成品,可以帮助用户简单快速的部署一个专业的网络爬虫。如果说前面我们写的定制bs4爬虫是”手动挡“,那Scrapy就相当于”半自动档“的车。

其次,Scrapy 使用了 Twisted(其主要对手是Tornado)异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求。

框架的力量,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片,非常之方便。

Scrapy框架结构:

首先来一张框架整体的图:

从图中我们可以清楚的看到,整个框架一共分为五个部分:

  • SPIDERS
  • ITEM PIPELINES
  • DOWNLOADER
  • SCHEDULER
  • ENGIINE

这五个部分互相协作,共同完成了整个爬虫项目的工作。下面我们来一个一个介绍。

  • SPIDERS:

Spiders这个模块就是整个爬虫项目中需要我们手动实现的核心部分,就是类似我们之前写的get_content函数部分,最主要的功能是 解析网页内容、产生爬取项、产生额外的爬去请求。

  • ITEM PIPELINES:

这个模块也是需要我们手动实现的,他的主要功能是将我们爬取筛选完毕的数据写入文本,数据库等等。总之就是一个“本地化”的过程。

  • DOWNLOADER:

这个模块,是Scrapy帮我们做好的,不需要我们自己编写,直接拿来用就行,其主要功能就是从网上获取网页内容,类似于我们写的get_html函数,当然,比我们自己写的这个简单的函数要强大很多

  • SCHEDULER:

这个模块对所有的爬取请求,进行调度管理,同样也是不需要我们写的模块。通过简单的配置就能达到更加多线程,并发处理等等强大功能。

  • ENGIINE

这个模块相当于整个框架的控制中心,他控制着所有模块的数据流交换,并根据不同的条件出发相对应的事件,同样,这个模块也是不需要我们编写的。

Scrapy框架的数据流动:

先上一张图:

说了各个模块的作用,那么整个项目跑起来的时候,数据到底是怎么运作的呢? 上图的数字代表数据的流向,解释如下:

  1. Engine从Spider处获得爬取请求(request)
  2. Engine将爬取请求转发给Scheduler,调度指挥进行下一步
  3. Engine从Scheduler出获得下一个要爬取的请求
  4. Engine将爬取请求通过中间件发给Downloader
  5. 爬取网页后后,downloader返回一个Response给engine
  6. Engine将受到的Response返回给spider处理
  7. Spider处理响应后,产生爬取项和新的请求给engine
  8. Engine将爬取项发送给ITEM PIPELINE(写出数据)
  9. Engine将会爬取请求再次发给Scheduler进行调度(下一个周期的爬取)

系统化入门

Scrapy是一个很强大的爬虫框架,用起来很方便,但是要定制高级的功能就不是那么简单的了。这里只是简单的介绍了一下框架的基本原理,但具体如何使用不是一时半会能够说完的,后面我会在例子中一一展现这个框架的高级功能。

如果你想要更加系统化的学习理解这个框架,可以看看Scrapy的官方文档:Scrapy 1.5文档,会让你受益匪浅的!!!!