01—Scrapy介绍

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架，我们只需要实现少量的代码，就能够快速的抓取

Scrapy使用了Twisted异步网络框架，可以加快我们的下载速度

02—Scrapy工作流程

  1. 引擎(Scrapy)
  2. 用来处理整个系统的数据流处理, 触发事务(框架核心)
  4. 调度器(Scheduler)
  5. 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
  7. 下载器(Downloader)
  8. 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)
  10. 爬虫(Spiders)
  11. 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
  13. 项目管道(Pipeline)
  14. 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
  16. 下载器中间件(Downloader Middlewares)
  17. 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
  19. 爬虫中间件(Spider Middlewares)
  20. 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
  22. 调度中间件(Scheduler Middewares)
  23. 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

image.png

  1. 写一个爬虫,需要做很多的事情。比如:发送网络请求、数据解析、数据存储、反反爬虫机制(更换IP代理、设置请求头等)、异步·请求......这些知识点前面已经讲得清楚，大家会发现我们是一个一个去写每个步骤，然后我们可以用函数封装起来，但是这些工作如果每次都要自己从零开始写的话,比较浪费时间。因此Scrapy把一些基础的东西封装好了,在他上面写爬虫可以变的更加的高效(抓取效率和开发效率)因此真正在公司里,一些上了量的爬虫,都是使用scrapy框架来解决

image.png

03—Scrapy入门

3.1创建一个scrapy项目

scrapy sstartproject 项目名称 #创建项目

scrapy sstartproject mySpider
image.png

3.2生成一个爬虫

cd mySpider #进入上文创建项目的文件夹

scrapy genspider itcast "itcast.cn" #下面细谈

image.png

  1. name:用于区别spider。该名字必须是唯一的，不能为不同的spider设定相同的名字
  3. statr_urls:它是spider在启动时进行爬取的入口URL列表。因此，第一个被获取到的页面的URL将是其中之一，后续的
  4. URL则从初始的URL的响应中主动提取
  6. parse():它是spider的一个方法。该方法负责解析返回的数据、提取数据（生成item）以及生成需要进一步处理的URL的request对象

image.png

3.3提取数据

爬取网站itcast.cn某页面下老师的信息

image.png

于是我们先对爬取的网址进行设置

image.png

接下来就是对pass部分进行编写，也就是对爬取数据用Xpath解析，提取关键内容

3.4保存数据