Python-S9-Day126——Scrapy爬虫框架

• 01 今日内容概要

• 02 内容回顾和补充：scrapy

• 03 内容回顾和补充：网络和并发编程

• 04 Scrapy爬虫框架：pipeline做持久化（一）

• 05 Scrapy爬虫框架：pipeline做持久化（二）

• 06 Scrapy爬虫框架：dupefilter做去重（一）

• 07 Scrapy爬虫框架：dupefilter做去重（二）

• 08 Scrapy爬虫框架：depth深度控制

• 09 Scrapy爬虫框架：手动处理cookie

01 今日内容概要

1.1 围绕Scrapy框架；

　　1.1.1 pipeline和items实现持久化；

　　1.1.2 去重规则；

　　1.1.3 cookie；

　　1.1.4 下载中间件middleware；

　　1.1.5 Scrapy的结构图；

　　1.1.6 深度(优先级)；

02 内容回顾和补充：scrapy

2.1 Scrapy框架；

　　2.1.1 依赖Twisted，帮助我们下载页面，内部基于事件循环的机制，实现爬虫的并发；

　　2.1.2

'''

'''
'''
非阻塞，不等待；
异步，回调；
事件循环；
##############基于事件循环的异步非阻塞模块；##############################
一个线程同时可以向多个目标发起http请求；
import socket
sk = socket.socket()
sk.setblocking(False)
sk.connect((1.1.1.1:80))

sk = socket.socket()
sk.setblocking(False)
sk.connect((1.1.1.1:80))

sk = socket.socket()
sk.setblocking(False)
sk.connect((1.1.1.1:80))

sk = socket.socket()
sk.setblocking(False)
sk.connect((1.1.1.1:80))
'''
# 原来的你;
'''
import requests

url_list = ['http://www.baidu.com', 'http://www.jd.com', 'http://www.mi.com', ]

for item in url_list:
    response = requests.get(
        url=item
    )
    print(response.text)
'''
# 现在的你;
from twisted.web.client import getPage, defer
from twisted.internet import reactor

# 第一部分，代理开始接收任务；

def callback(contents):
    print(contents)

deferred_list = []

url_list = ['https://www.bing.com', 'https://segmentfault.com/', 'https://www.stackoverflow.com', ]

for url in url_list:
    deferred = getPage(bytes(url, encoding='utf8'))
    deferred.addCallback(callback)
    deferred_list.append(deferred)
# 第二部分：代理完成任务后，停止；
dlist = defer.DeferredList(deferred_list)

def all_done(arg):
    reactor.stop()

dlist.addBoth(all_done)
# 第三部分，代理开始去处理吧；
reactor.run()

03 内容回顾和补充：网络和并发编程

3.1 OSI七层模型，或5层模型；

3.2 三次握手、四次挥手；

3.3 TCP和UDP的区别；

• TCP-打电话
• UDP-对讲机

3.4 路由器和交换机的区别；

• 交换机可以在局域网进行通信；
• 路由器跨局域网通信；

3.5 ARP协议——地址解析协议，解析IP和MAC地址的关系；联想DNS服务器；

3.6 HTTP与HTTPS——HTTPS = HTTP + SSL/TLS

3.7 进程、线程和协程的区别；

• 一个应用程序就是一个软件，一个软件中可以有多个进程；一个进程中可以有多个线程；
• CPU工作的最小单元是线程；
• 一个进程可以存在多个线程；
• 对于一个进程来说，共享一块内存；进程与进程之间的数据是隔离的；
• 协程就是微线程，协程不是真实存在的，是人为创建的；计算性任务不会快，有可能会慢，但IO和非阻塞是快的；

一、进程与线程

1.进程

我们电脑的应用程序，都是进程，假设我们用的电脑是单核的，cpu同时只能执行一个进程。当程序处于I/O阻塞的时候，CPU如果和程序一起等待，那就太浪费了，cpu会去执行其他的程序，此时就涉及到切换，切换前要保存上一个程序运行的状态，才能恢复，所以就需要有个东西来记录这个东西，就可以引出进程的概念了。

进程就是一个程序在一个数据集上的一次动态执行过程。进程由程序，数据集，进程控制块三部分组成。程序用来描述进程哪些功能以及如何完成；数据集是程序执行过程中所使用的资源；进程控制块用来保存程序运行的状态

2.线程

一个进程中可以开多个线程，为什么要有进程，而不做成线程呢？因为一个程序中，线程共享一套数据，如果都做成进程，每个进程独占一块内存，那这套数据就要复制好几份给每个程序，不合理，所以有了线程。

线程又叫轻量级进程，是一个基本的cpu执行单元，也是程序执行过程中的最小单元。一个进程最少也会有一个主线程，在主线程中通过threading模块，在开子线程

3.进程线程的关系

（1）一个线程只能属于一个进程，而一个进程可以有多个线程，但至少有一个线程

（2）资源分配给进程，进程是程序的主体，同一进程的所有线程共享该进程的所有资源

（3）cpu分配给线程，即真正在cpu上运行的是线程

（4）线程是最小的执行单元，进程是最小的资源管理单元

4.并行和并发
并行处理是指计算机系统中能同时执行两个或多个任务的计算方法，并行处理可同时工作于同一程序的不同方面

并发处理是同一时间段内有几个程序都在一个cpu中处于运行状态，但任一时刻只有一个程序在cpu上运行。

并发的重点在于有处理多个任务的能力，不一定要同时；而并行的重点在于就是有同时处理多个任务的能力。并行是并发的子集

3.8 GIL锁（全局解释器锁），保证同一个进程在同一个时刻只有一个线程被CPU调用执行，只能一个程度上保证数据安全；

　　3.8.1 为了保证数据安全，自己加锁处理；

3.9 进程之间如何共享？

• queue
• pipe
• manager

04 Scrapy爬虫框架：pipeline做持久化（一）

4.1 pipeline/items

　　4.1.1 先写pipeline类；

　　4.1.2 写Item类；

　　4.1.3 settings.py中配置ITEM_PIPELINES；

　　4.1.4 爬虫yield 每执行一次，pipeline就执行一次；

4.2 pipeline是所有爬虫公用的，如果想要给某个爬虫定制需要使用spider参数进行处理；

05 Scrapy爬虫框架：pipeline做持久化（二）

5.1 去重规则

06 Scrapy爬虫框架：dupefilter做去重（一）

07 Scrapy爬虫框架：dupefilter做去重（二）

08 Scrapy爬虫框架：depth深度控制

09 Scrapy爬虫框架：手动处理cookie