Scrapy簡介
Scrapy是用純Python實作一個為了爬取網站資料、提取結構性資料而撰寫的應用框架，用途非常廣泛，
框架的力量，用戶只需要定制開發幾個模塊就可以輕松的實作一個爬蟲，用來抓取網頁內容以及各種圖片，非常之方便，另外要注意：光理論是不夠的，這里順便送大家一套2020最新python入門到高級專案實戰視頻教程，可以去小編的Python交流.裙 ：七衣衣九七七巴而五（數字的諧音）轉換下可以找到了，還可以跟老司機交流討教！
Scrapy 使用了 Twisted['tw?st?d](其主要對手是Tornado)異步網路框架來處理網路通訊，可以加快我們的下載速度，不用自己去實作異步框架，并且包含了各種中間件介面，可以靈活的完成各種需求，
Scrapy架構
Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、資料傳遞等，
Scheduler(調度器): 它負責接受引擎發送過來的Request請求，并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，并將其獲取到的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,從中分析提取資料，獲取Item欄位需要的資料，并將需要跟進的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，并進行進行后期處理（詳細分析、過濾、存盤等）的地方，
Downloader Middlewares（下載中間件）：你可以當作是一個可以自定義擴展下載功能的組件，
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（比如進入Spider的Responses;和從Spider出去的Requests）
白話講解Scrapy運作流程
代碼寫好，程式開始運行...
1.引擎：Hi！Spider, 你要處理哪一個網站？
2.Spider：老大要我處理xxxx.com，
3.引擎：你把第一個需要處理的URL給我吧，
4.Spider：給你，第一個URL是xxxxxxx.com，
5.引擎：Hi！調度器，我這有request請求你幫我排序入隊一下，
6.調度器：好的，正在處理你等一下，
7.引擎：Hi！調度器，把你處理好的request請求給我，
8.調度器：給你，這是我處理好的request
9.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
10.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，然后引擎告訴調度器，這個request下載失敗了，你記錄一下，我們待會兒再下載）
11.引擎：Hi！Spider，這是下載好的東西，并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默認是交給def parse()這個函式處理的）
12.Spider：（處理完畢資料之后對于需要跟進的URL），Hi！引擎，我這里有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item資料，
13.引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是需要跟進URL你幫我處理下，然后從第四步開始回圈，直到獲取完老大需要全部資訊，
14.管道``調度器：好的，現在就做！
相關推薦：《Python相關教程》
制作Scrapy爬蟲步驟
1.新建專案
scrapy startproject mySpider
scrapy.cfg ：專案的組態檔 mySpider/ ：專案的Python模塊，將會從這里參考代碼 mySpider/items.py ：專案的目標檔案 mySpider/pipelines.py ：專案的管道檔案 mySpider/settings.py ：專案的設定檔案 mySpider/spiders/ ：存盤爬蟲代碼目錄
2.明確目標(mySpider/items.py)
想要爬取哪些資訊，在Item里面定義結構化資料欄位，保存爬取到的資料，
3.制作爬蟲(spiders/xxxxSpider.py)
import scrapy class ItcastSpider(scrapy.Spider): name = "itcast" allowed_domains = ["itcast.cn"] start_urls = ( 'http://www.itcast.cn/', ) def parse(self, response): pass
name = "" ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字，
allow_domains = [] 是搜索的域名范圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略，
start_urls = () ：爬取的URL元祖/串列，爬蟲從這里開始抓取資料，所以，第一次下載的資料將會從這些urls開始，其他子URL將會從這些起始URL中繼承性生成，
parse(self, response) ：決議的方法，每個初始URL完成下載后將被呼叫，呼叫的時候傳入從每一個URL傳回的Response物件來作為唯一引數，主要作用如下：
4.保存資料(pipelines.py)
在管道檔案里面設定保存資料的方法，可以保存到本地或資料庫，
溫馨提醒
第一次運行scrapy專案的時候，出現-->"DLL load failed" 錯誤提示，需要安裝pypiwin32模塊，
簡單入門的實體
（1）items.py
想要爬取的資訊
# -*- coding: utf-8 -*- import scrapy class ItcastItem(scrapy.Item): name = scrapy.Field() title = scrapy.Field() info = scrapy.Field()
（2）itcastspider.py
寫爬蟲程式
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
from mySpider.items import ItcastItem
# 創建一個爬蟲類
class ItcastSpider(scrapy.Spider):
# 爬蟲名
name = "itcast"
# 允許爬蟲作用的范圍
allowd_domains = ["http://www.itcast.cn/"]
# 爬蟲起始的url
start_urls = [
"http://www.itcast.cn/channel/teacher.shtml#",
]
def parse(self, response):
teacher_list = response.xpath('//div[@]')
# 所有老師資訊的串列集合
teacherItem = []
# 遍歷根節點集合
for each in teacher_list:
# Item物件用來保存資料的
item = ItcastItem()
# name, extract() 將匹配出來的結果轉換為Unicode字串
# 不加extract() 結果為xpath匹配物件
name = each.xpath('./h3/text()').extract()
# title
title = each.xpath('./h4/text()').extract()
# info
info = each.xpath('./p/text()').extract()
item['name'] = name[0].encode("gbk")
item['title'] = title[0].encode("gbk")
item['info'] = info[0].encode("gbk")
teacherItem.append(item)
return teacherItem
輸入命令：scrapy crawl itcast -o itcast.csv 保存為 ".csv"的格式
最后注意：光理論是不夠的，這里順便送大家一套2020最新python入門到高級專案實戰視頻教程，可以去小編的Python交流.裙 ：七衣衣九七七巴而五（數字的諧音）轉換下可以找到了，還可以跟老司機交流討教！
本文的文字及圖片來源于網路加上自己的想法,僅供學習、交流使用,不具有任何商業用途,著作權歸原作者所有,如有問題請及時聯系我們以作處理，
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/146297.html
標籤：Python