scrapy 爬虫框架（一）

一 . scrapy 的安装

安装scrapy框架时，需要先安装依赖包。

#Linux：

      pip3 install scrapy

　　#Windows：

      a. pip3 install wheel

      b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

      c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

      d. pip3 install pywin32

      e. pip3 install scrapy

二.简介

文档：https://scrapy-chs.readthedocs.io/zh_CN/latest/topics/firefox.html

1.Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。

2.集成了各种功能（高性能异步下载，队列，分布式，解析，持久化等）的具有很强通用性的项目模板。

3.Scrapy一个开源和协作的框架，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。

4.可应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

5.Scrapy 是基于twisted框架开发而来，twisted是一个流行的事件驱动的python网络框架。

　因此Scrapy使用了一种非阻塞（又名异步）的代码来实现并发。

整体架构大致如下：

Scrapy主要包括了以下组件：

• 引擎(Scrapy)
  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。
• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares)
  介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

二.创建爬虫项目

1. 进入项目文件： 该爬虫项目存放的位置
        1.创建项目命令：  scrapy startproject 项目名
            D:\study\爬虫\day7  >  scrapy startproject XiaoHua

        2.创建爬虫
            1.先 cd 项目目录下
                 D:\study\爬虫\day7  > cd XiaoHua
            2.再 执行：  scrapy genspider 爬虫名 爬虫网站
                 D:\study\爬虫\day7\XiaoHua > scrapy genspider xiahua xiaohuar.com