标签：架构 cnblogs -- py 爬虫 Scrapy scrapy
目录Scrapy架构介绍
Scrapy一个开源和协作的框架，其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛，可用于如数据挖掘、监测和自动化测试等领域，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫
引擎(EGINE)
引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。
调度器(SCHEDULER)
用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。可以想像成一个URL的优先级队列，由它来决定下一个要抓取的网址是什么，同时去除重复的网址。
下载器(DOWLOADER)
用于下载网页内容，并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的。
爬虫(SPIDERS)
SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求。
项目管道(ITEM PIPLINES)
在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response。
爬虫中间件(Spider Middlewares)
位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）。
Scrapy下载
安装：
pip install scrapy
如果安装失败，就需要走下面的流程：
1.安装wheel，之后通过wheel文件安装软件，wheel文件官网
pip install wheel
pip install lxml
pip install pyopenssl
3.下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/pywin32/
4.下载twisted的wheel文件：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
5.twisted的wheel文件通过pip安装
pip install 下载目录/Twisted-17.9.0-cp36-cp36m-win_amd64.whl
6.安装scrapy
pip install scrapy
Scrapy基本使用
创建项目
通过cmd窗口：在当前目录下创建项目
scrapy startproject 项目名
爬虫创建
在项目目录下，打开cmd窗口：
scrapy genspider 爬虫名 爬虫地址
比如创建爬博客园的爬虫：
scrapy genspider cnblogs cnblogs.com
此时会在项目spiders文件夹下创建cnblogs.py
import scrapy
class CnblogsSpider(scrapy.Spider):
name = 'cnblogs' # 爬虫名字
allowed_domains = ['cnblogs.com'] # 允许爬取的地址
start_urls = ['http://cnblogs.com/'] # 起始爬取的地址
def parse(self, response): # response就是爬取结果
# 爬取完之后的代码，解析代码放在这里
print(response.text)
爬虫启动方式一
--nolog代表不要日志输出
scrapy crawl 爬虫名
scrapy crawl 爬虫名 --nolog
比如启动刚刚创建的博客园爬虫：
scrapy crawl cnblogs --nolog
爬虫启动方式二
项目路径下新建py文件：
from scrapy.cmdline import execute
execute(['scrapy','crawl','爬虫名','--nolog'])
启动爬虫运行这个py文件即可。
Scrapy目录结构
项目名
├── 项目同名文件夹
├ ├── spiders -- 文件夹，专门存放爬虫文件
├ ├ ├── 爬虫1.py -- 其中一个爬虫，重点写代码的地方
├ ├ └── 爬虫2.py -- 其中一个爬虫，重点写代码的地方
├ ├── items.py -- 类比djagno的models，表模型--->类
├ ├── middlewares.py -- 爬虫中间件和下载中间件都在里面
├ ├── pipelines.py -- 管道，做持久化需要在这写代码
├ └── settings.py -- 配置文件
└── scrapy.cfg -- 上线配置，开发阶段不用
标签：架构,cnblogs,--,py,爬虫,Scrapy,scrapy 来源： https://www.cnblogs.com/yume-zbh/p/16548612.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。