scrapy 五大核心组件-分页

scrapy 五大核心组件-分页

分页

思路

总的原理和之前是一样的，但是由于框架的原因，要遵循他框架的使用方式，每次更改他的url，并指定回调函数

# -*- coding: utf-8 -*-
import scrapy

class XiaohuanameSpider(scrapy.Spider):
    name = 'xiaohuaname'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://www.xiaohuar.com/list-1-0.html']

    url=""
    num=1
    def parse(self, response):
        names=response.xpath('//div[@class="title"]/span/a/text()')
        for i in names:
            print(i.extract())

        #更改下一次请求的url
        self.url=f'http://www.xiaohuar.com/list-1-{self.num}.html'
        self.num+=1

        #获取10页的数据
        if self.num < 10:
            #配置下次请求的url和回调函数
            yield scrapy.Request(url=self.url,callback=self.parse)

五大核心组件

引擎(Scrapy)

（创建对象，根据数据调度方法等）

用来处理整个系统的数据流处理, 触发事务(框架核心)

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（抓取网页的网址或者说是链接）的优先队列, 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(Downloader)

用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

爬虫(Spiders)

爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

项目管道(Pipeline)

负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

执行流程

1.爬虫程序将url封装后发送给引擎

2.引擎拿到url后，把它给调度器

3.调度器首先过滤重复的url

4.将过滤好的url压入队列

5.将队列发给引擎

6.引擎将队列发给下载器

7.下载器向互联网请求数据

8.获取数据

9.将数据response发给引擎

10.引擎将数据发给爬虫程序的回调

11.数据处理好，在此发给引擎

12.引擎将数据发给管道，由管道进行数据的持久化存储