Scrapy的介绍与安装

一 Scrapy_介绍与安装

1.1 Scrapy的介绍

Scrapy 是一个用于抓取网站和提取结构化数据的应用程序框架，可用于各种有用的应用程序，如数据挖掘、信息处理或历史存档。

尽管 Scrapy 最初是为网络抓取而设计的，但它也可用于使用 API提取数据或用作通用网络爬虫。

1.2 Scrapy的优势

可以容易构建大规模的爬虫项目内置re、xpath、css选择器可以自动调整爬行速度开源和免费的网络爬虫框架可以快速导出数据文件: JSON，CSV和XML可以自动方式从网页中提取数据(自己编写规则)Scrapy很容易扩展，快速和功能强大这是一个跨平台应用程序框架（在Windows，Linux，Mac OS）Scrapy请求调度和异步处理

1.3 Scrapy的架构

最简单的单个网页爬取流程是 spiders > scheduler > downloader > spiders > item pipeline

省略了engine环节！

引擎(engine)

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

1.4 安装

pip install scrapy

注意

企业也追求更稳定的不追求最新，而且我们的主要目的是做项目写代码 没必要因为环境版本问题出bug浪费太多时间 意** 企业也追求更稳定的不追求最新，而且我们的主要目的是做项目写代码 没必要因为环境版本问题出bug浪费太多时间

相关阅读

 您阅读本篇文章共花了：