Scrapy爬虫框架介绍

友儿

September 15, 2022

629 views

No comments

2424 words

Python

Scrapy爬虫框架介绍

文档
- 英文文档
- 中文文档
什么是scrapy
基于twisted搭建的异步爬虫框架.
scrapy爬虫框架根据组件化设计理念和丰富的中间件, 使其成为了一个兼具高性能和高扩展的框架
scrapy提供的主要功能
- 具有优先级功能的调度器
- 去重功能
- 失败后的重试机制
- 并发限制
- ip使用次数限制
- ....
scrapy的使用场景
- 不适合scrapy项目的场景
  - 业务非常简单, 对性能要求也没有那么高, 那么我们写多进程, 多线程, 异步脚本即可.
  - 业务非常复杂, 请求之间有顺序和失效时间的限制.
  - 如果你不遵守框架的主要设计理念, 那就不要使用框架
- 适合使用scrapy项目
  - 数据量大, 对性能有一定要求, 又需要用到去重功能和优先级功能的调度器
scrapy组件
- ENGINE从SPIDERS中获取初始请求任务Requests
- ENGINE得到Requests之后发送给SCHEDULER, SCHEDULER对请求进行调度后产出任务.
- Scheduler返回下一个请求任务给ENGINE
- ENGINE将请求任务交给DOWNLOADER去完成下载任务, 途径下载器中间件.
- 一旦下载器完成请求任务, 将产生一个Response对象给ENGINE, 途径下载器中间件
- ENGINE收到Response对象后, 将该对象发送给SPIDERS去解析和处理, 途径爬虫中间件
- SPIDER解析返回结果
  - 将解析结果ITEMS发送给ENGINE
  - 生成一个新的REQUESTS任务发送给ENGINE
- 如果ENGINE拿到的是ITEMS, 那么就会发送给ITEM PIPELINES做数据处理, 如果是REQUESTS则发送给SCHEDULER
- 周而复始, 直到没有任务产出

Scrapy教程

安装
```
pip install scrapy
```
创建项目
```
scrapy startproject jd_crawler_scrapy
```
目录结构
- spiders(目录)
  存放SPIDERS项目文件, 一个scrapy项目下可以有多个爬虫实例
- items
  解析后的结构化结果.
- middlewares
  下载器中间件和爬虫中间件的地方
- piplines
  处理items的组件, 一般都在pipelines中完成items插入数据表的操作
- settings
  统一化的全局爬虫配置文件
- scrapy.cfg
  项目配置文件

scrapy爬虫demo

import scrapy


class JdSearch(scrapy.Spider):
    name = "jd_search"

    def start_requests(self):
        for keyword in ["鼠标", "键盘", "显卡", "耳机"]:
            for page_num in range(1, 11):
                url = f"https://search.jd.com/Search?keyword={keyword}&page={page_num}"

                # 选用FormRequest是因为它既可以发送GET请求, 又可以发送POST请求
                yield scrapy.FormRequest(
                    url=url,
                    method='GET',
                    # formdata=data,             # 如果是post请求, 携带数据使用formdata参数
                    callback=self.parse_search   # 指定回调函数处理response对象
                )


    def parse_search(self, response):
        print(response)