|
网络爬虫（Web crawler），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，它们被广泛用于互联网搜索引擎或其他类似网站，可以自动采集所有其能够访问到的页面，以获取这些网站的内容。而Scrapy则是一种十分强大的爬虫框架，并且它是用python编写的。下面我们来一起看看什么是Scrapy? 
一、所需知识 需要的知识有：linux系统 + Python语言 +Scrapy框架 + XPath（XML路径语言） + 一些辅助工具（浏览器的开发者工具和XPath helper插件）。 我们的爬虫是使用Python语言的Scrapy爬虫框架开发，在linux上运行，所以需要熟练掌握Python语言和Scrapy框架以及linux操作系统的基本知识。 我们需要使用XPath从目标HTML页面中提取我们想要的东西，包括汉语文字段落和“下一页”的链接等。 浏览器的开发者工具是编写爬虫主要使用的辅助工具。使用该工具可以分析页面链接的规律，可以用来定位HTML页面中想要提取的元素，然后提取其XPath表达式用于爬虫代码中，还可以查看页面请求头的Referer、Cookie等信息。如果爬取的目标是动态网站，该工具还可以分析出背后的JavaScript请求。 XPath helper插件是chrome的一个插件，基于chrome核的浏览器也可以安装。XPath helper可以用来调试XPath表达式。 二、环境搭建 安装Scrapy可以使用pip命令：pip install Scrapy Scrapy相关依赖较多，因此在安装过程中可能遇到如下问题： ImportError: No module named w3lib.http 解决：pip install w3lib ImportError: No module named twisted 解决：pip install twisted ImportError: No module named lxml.HTML 解决：pip install lxml error: libxml/xmlversion.h: No such file or directory 解决：apt-get install libxml2-dev libxslt-dev apt-get install Python-lxml ImportError: No module named cssselect 解决：pip install cssselect ImportError: No module named OpenSSL 解决：pip install pyOpenSSL 建议： 使用简单的方法：使用anaconda安装。 三、Scrapy框架 1. Scrapy简介 Scrapy是大名鼎鼎的爬虫框架，是使用Python编写的。Scrapy可以很方便的进行web抓取，并且也可以很方便的根据自己的需求进行定制。 2.Scrapy组件 Scrapy主要包括了以下组件： 引擎(Scrapy) 用来处理整个系统的数据流,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。 Scrapy运行流程： 1.引擎从调度器中取出一个链接(URL)用于接下来的抓取 2.引擎把URL封装成一个请求(Request)传给下载器 3.下载器把资源下载下来，并封装成应答包(Response) 4.爬虫解析Response 5.解析出实体（Item）,则交给实体管道进行进一步的处理 6.解析出的是链接（URL）,则把URL交给调度器等待抓取 |
