终极大招——Scrapy框架

Scrapy框架

　　Scrapy 是一个开源和协作的框架，其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前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，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

　　Scrapy 是基于twisted框架开发而来，所以要使用 Scrapy 首先得安装 twisted 。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。Scrapy 的官网地址为：https://docs.scrapy.org/en/latest/topics/architecture.html

根据官网，我们知道 Scrapy 整体架构大致由7部分组成：

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，之后会在数据流部分提到。
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。
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。
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。
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. 在将请求发送到下载器之前处理请求（即在Scrapy将请求发送到网站之前）。
2. 在传递给蜘蛛之前改变接收到的响应;
3. 发送新的请求，而不是将接收到的响应传递给蜘蛛;
4. 向蜘蛛传递响应而不需要获取网页;
5. 去除某些请求
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）。

　　　　终极大招——Scrapy框架

由上图的整体架构可以看出，Scrapy中的数据流由执行引擎控制，如下所示：

引擎(Engine)获取最初的请求由爬虫(Spider)抓取。　
引擎(Engine)在调度程序(Scheduler)中调度请求，并要求抓取下一个请求。
调度程序(Scheduler)将下一个请求返回给引擎(Engine)。
引擎(Engine)将请求通过下载器中间件( Downloader Middlewares )发送到下载器( Downloader)（详情请参阅process_request（））。
一旦页面完成下载，下载器( Downloader)会生成一个响应（使用该页面）并通过下载器中间件( Downloader Middlewares )将其发送到引擎(Engine)。（详情请参阅process_response（））。
引擎(Engine)从下载器( Downloader)接收到响应后通过爬虫中间件( Spider Middlewares )将其发送给爬虫(Spider)进行处理。（详情请参阅process_spider_input（））。
爬虫(Spider)处理响应，并通过爬虫中间件( Spider Middlewares )将抓取的项目和新请求（后续）返回给引擎(Engine)。（详情请参阅process_spider_output（））
引擎(Engine)将已处理的项目发送到项目管道(ITEM PIPLINES)，然后将已处理的请求发送到调度程序(Scheduler)，然后询问是否有下一个请求需要进行爬网。
若有请求则重复以上步骤，直到没有更多的调度请求。

Scrapy 安装

windows安装：

    1、pip3 install wheel #安装后，便支持通过wheel文件安装软件，wheel文件官网：https://www.lfd.uci.edu/~gohlke/pythonlibs
    3、pip3 install lxml
    4、pip3 install pyopenssl
    5、下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/pywin32/
    6、下载twisted的wheel文件：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
    7、执行pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl
　　#以上步骤是因为scrapy是基于twisted实现的，所以要先安装twisted
    8、pip3 install scrapy

linux安装：

pip3 install scrapy

命令行工具

　　安装完scrapy后我们最关心的就是如何创建一个新的项目，然后展开爬虫行动。这里就需要用到命令行工具，首先我们来说创建项目。

startproject #创建项目

　　命令行分为全局命令（Global commands）和项目命令（Project-only commands）。全局命令指在任何位置都可以调用，而项目命令只能在项目中使用。

#1 查看帮助
    scrapy -h
    scrapy <command> -h

#2 有两种命令：其中Project-only必须切到项目文件夹下才能执行，而Global的命令则不需要
    Global commands:
        startproject #创建项目
        genspider    #创建爬虫程序
        settings     #如果是在项目目录下，则得到的是该项目的配置
        runspider    #运行一个独立的python文件，不必创建项目
        shell        #scrapy shell url地址  在交互式调试，如选择器规则正确与否
        fetch        #独立于程单纯地爬取一个页面，可以拿到请求头
        view         #下载完毕后直接弹出浏览器，以此可以分辨出哪些数据是ajax请求
        version      #scrapy version 查看scrapy的版本，scrapy version -v查看scrapy依赖库的版本
    Project-only commands:
        crawl        #运行爬虫，必须创建项目才行，确保配置文件中ROBOTSTXT_OBEY = False
        check        #检测项目中有无语法错误
        list         #列出项目中所包含的爬虫名
        edit         #编辑器，一般不用
        parse        #scrapy parse url地址 --callback 回调函数  #以此可以验证我们的回调函数是否正确
        bench        #scrapy bentch压力测试

全局命令和项目命令