爬虫Scrapy

Scrapy简介

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，Scrapy使用了Twisted异步网络框架来处理网络通讯，可以加快我们的下载速度，灵活的完成各种需求。

异步：调用发出后，直接返回，不会等待返回结果，调用者可以继续执行其他操作

同步：调用发出后，开始等待，直至结果出现，返回，调用者才能继续执行其他操作

同步：去商场购物，你付钱等待售货员去仓库取货，然后将商品包装完毕给你，你才能离开，这期间你不能离开。

异步：网上下单支付，购买商品，对你来说购物过程已经结束，你可以去做其他事情了

 非阻塞：关注的是程序在等待调用结果（消息，返回值）时的状态，指在不能立刻得到结果之前，该调用不会                               阻塞当前线程。

阻塞与非阻塞相反，在不能立刻得到结果之前，该调用会阻塞当前线程，直至得到结果。

scrapy结构

Scrapy组件

引擎(ScrapyEngine): 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。

工作流程 

首先Spiders（蜘蛛爬虫）将需要发送请求的url(requests)经ScrapyEngine（引擎）交给Scheduler（调度器）。Scheduler（排序，入队）处理后，经ScrapyEngine，DownloaderMiddlewares(可选，主要有User_Agent, Proxy代理)交给Downloader。Downloader向互联网发送请求，并接收下载响应（response）。将响应（response）经ScrapyEngine，SpiderMiddlewares(可选)交给Spiders。　　　　　Spiders处理response，提取数据并将数据经ScrapyEngine交给ItemPipeline保存（可以是本地，可以是数据库）。提取url重新经ScrapyEngine交给Scheduler进行下一个循环。直到无Url请求程序停止结束。

创建Scrapy项目

进入文件目录，打开cmd ，执行 scrapy startproject 项目名

    

demotest/ ----scrapy.cfg ----demotest/ --------__init__.py --------items.py --------middlewares.py --------pipelines.py --------settings.py --------spiders/ ------------__init__.py  scrapy.cfg: 项目的配置文件demotest/: 该项目的python模块。demotest/items.py: 项目中的item文件。demotest/middlewares.py: 项目中的middlewares文件。demotest/pipelines.py: 项目中的pipelines文件。demotest/settings.py: 项目的设置文件。demotest/spiders/: 放置spider代码的目录。

爬虫运行

scrapy crawl 爬虫名

 

Scrapy--Request

Request类是一个http请求的类，在spider中创建一个请求，在downloader中执行这样的一个请求。（下载页面）。同时有一个子类继承于他，用于发送POST请求

class Request(object_ref): def __init__(self, url, callback=None, method='GET', headers=None, body=None, cookies=None, meta=None, encoding='utf-8', priority=0,dont_filter=False, errback=None, flags=None): # url str类型 是要爬取的网址 # callback是回调函数,没有指定则默认为parse()函数 # method是请求的方式post还是get，默认为是GET,post请求用FormRequest # headers dict类型 请求头信息 # body str类型 请求体网页源代码信息 # cookies dict或list类型 是登入某网站后，网站在你电脑上保留的信息 # meta dict类型 要携带或者传递的信息 从Request到Response # encoding是编码方式 # priority int类型 用来设置访问网站的优先级 # dont_filter bool 类型 是否允许重复爬取网站 # errback 抛出错误的回调函数

在spider中通常这样使用：使用yield关键字返回一个可迭代对象

yield scrapy.Request(self.comment_url % (id),callback=self.get_Comment, meta={"item", item})

在response中直接用meta参数获取传递的值    item = response.meta['item']

子类：FormRequest

FormRequest为Request的子类，用于发送POST请求，这个类新增加了一个参数 formdata，其他参数和Request一样

formdata 用于存放要发送的值  formdata={'name': '张三', 'age': 18}

yield scrapy.FormRequest(url="https://club.jd.com/comment/productCommentSummaries.action? referenceIds=100008578480", formdata={'name': 'Zarten', 'age': '27'}, callback=self.after_post)