爬虫之Scrapy架构

目录

Scrapy架构介绍

Scrapy下载

Scrapy基本使用

Scrapy目录结构

Scrapy解析数据

settings相关配置

基础配置

增加爬虫的爬取效率

去重规则（布隆过滤器）

持久化方案(数据保存)

request和response传递参数

网页解析下一页继续爬取

爬虫和下载中间件

加代理，cookie，header，集成selenium

scrapy-redis实现分布式爬虫

---

Scrapy架构介绍

Scrapy是适用于Python的一个快速、高层次的屏幕抓取和web抓取框架，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

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。

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。

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。

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。

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。

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）。

Scrapy下载

安装：

pip install scrapy

如果安装失败，就需要走下面的流程：

1.安装wheel，之后通过wheel文件安装软件，wheel文件官网

pip install wheel

pip install l