Scrapy 爬虫框架的安装与基本介绍

这次要介绍一个及其强大的爬虫框架---Scrapy，此学习的框架更加的具有规模性，具有良好的并发性能。

Srapy框架的安装：

无论是在windows还是mac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是一种基于Python的交互解释器，比原生的Python shell提供了更加强大的编辑和交互功能，比如，代码高亮，自动补全等等。

我们依旧用pip工具进行安装:

pip install ipython

Scrapy框架的基本介绍:

Scrapy不是一个功能函数库，而是一个爬虫框架，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。如果说定制bs4爬虫是”手动挡“，那Scrapy就相当于”半自动档“的车。

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。

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？让我来详细说明：

00001. Engine从Spider处获得爬取请求(request)

00002. Engine将爬取请求转发给Scheduler，调度指挥进行下一步

00003. Engine从Scheduler出获得下一个要爬取的请求

00004. Engine将爬取请求通过中间件发给Downloader

00005. 爬取网页后后，downloader返回一个Response给engine

00006. Engine将受到的Response返回给spider处理

00007. Spider处理响应后，产生爬取项和新的请求给engine

00008. Engine将爬取项发送给ITEM PIPELINE（写出数据）

00009. 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。我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，如果你想要更加系统化的学习理解这个框架：

我推荐官方的文档：Scrapy 1.3 documentation

英文水平不好同学，我推荐下面两个文档：

1 文档中文翻译版：Introduction | scrapy 中文手册

2 scrapy 中文手册： Scrapy 0.24 文档 - Scrapy 0.24.6 文档

那么我们就介绍到这里，如果大家还需要别的干货，欢迎在评论区留言哦，另外，喜欢的话请点击关注哦谢谢啦！