Python学习之初识Scrapy

初识Scrapy

什么是Scrapy？

Scrapy使用 Python 实现的一个开源爬虫框架，Scrapy基于 twisted这个高性能的事件驱动网络引擎框架，Scrapy爬虫拥有很高的性能。

Scrapy内置数据提取器（Selector），支持XPath和 Scrapy自己的 CSS Selector语法

并且支持正则表达式，方便从网页提取信息。

交互式的命令行工具，方便测试 Selector 和 debugging爬虫

支持将数据导出为 JSON，CSV，XML格式。

可推展性强，运行自己编写特定功能的插件

内置了很多拓展和中间件用于处理：

cookies和 session

HTTP的压缩，认证，缓存

robots.txt

爬虫深度限制

Scrapy内部数据流程图

Scrapy内部数据流程图

其中：

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，

Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，

Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

制作 Scrapy 爬虫 的步骤?

如何安装Scrapy?

在windows系统下安装Scrapy

在windows 64bit系统下需要先安装Scrapy需要安装的依赖库：

在linux下安装Scrapy

系统版本为ubuntu 16.04

Scrapy文件结构

安装好Scrapy后，我们在windows命令行模式下输入以下命令创建Scrapy项目：

可以看到创建了以下文件：

Scrapy文件结构

其中：

Scrapy单文件demo

创建完Scrapy项目，还是要上手实验一下才能更好的理解，所以我根据之前我在楼+课程中的学习笔记写了一个Scrapy单文件Demo，使用这个单文件Demo能快速爬取实验楼全部课程信息。

首先看下单文件的内容结构：

因为实验楼的网页结构还是很简单的，所以解析部分就不做赘述，直接上单文件完整代码：

保存文件，使用运行代码，这里使用 参数将结果输出为json格式。

写在后面

这是咸鱼的第四篇学习笔记，旨在熟悉scrapy单文件结构为之后深入学习scrapy打好基础。