Python Learning Day9

　　Scrapy爬虫框架

发送请求 ---> 获取响应数据 ---> 解析数据 ---> 保存数据

Scarpy框架介绍

1、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。有关详细信息，请参见上面的数据流部分。

2、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

3、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

4、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

5、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，
你可用该中间件做以下几件事：
　　(1) process a request just before it is sent to the Downloader (i.e. right before Scrapy sends the request to the website);
　　(2) change received response before passing it to a spider;
　　(3) send a new Request instead of passing received response to a spider;
　　(4) pass response to a spider without fetching a web page;
　　(5) silently drop some requests.

6、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）

Scarpy使用

1、进入终端cmd
　　- scrapy
　　　　C:\Users\administortra>scrapy
　　　　Scrapy 1.6.0 - no active project

2、创建scrapy项目
　　1.创建一个文件夹，专门用于存放scrapy项目
　　　　- D:\Scrapy_prject
　　2.cmd终端输入命令
　　　　scrapy startproject Spider_Project（ 项目名）
　　　　- 会在 D:\Scrapy_prject文件夹下会生成一个文件
　　　　　　Spider_Project : Scrapy项目文件

3.创建爬虫程序
　　cd Spider_Project # 切换到scrapy项目目录下
　　# 爬虫程序名称 目标网站域名
　　scrapy genspider baidu www.baidu.com # 创建爬虫程序

3、启动scrapy项目，执行爬虫程序

　　# 找到爬虫程序文件进行执行
　　scrapy runspider只能执行某个 爬虫程序.py
　　# 切换到爬虫程序执行文件目录下
　　　　- cd D:\Scrapy_prject\Spider_Project\Spider_Project\spiders
　　　　- scrapy runspider baidu.py

　　# 根据爬虫名称找到相应的爬虫程序执行
　　scrapy crawl 爬虫程序名称
　　# 切换到项目目录下
　　　　- cd D:\Scrapy_prject\Spider_Project
　　　　- scrapy crawl baidu