Scrapy入门级别教程是什么样的

Scrapy入门级别教程是什么样的，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。

　　Scrapy是用Python实现的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常应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

　　通常我们可以很简单的通过Scrapy框架实现一个爬虫，抓取指定网站的内容或图片。

　　ScrapyEngine(引擎):负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

　　Scheduler(调度器):它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

　　Downloader（下载器）：负责下载ScrapyEngine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给ScrapyEngine(引擎)，由引擎交给Spider来处理，

　　Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器).

　　ItemPipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。

　　DownloaderMiddlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

　　SpiderMiddlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

Scrapy的运作流程

　　代码写好，程序开始运行...

　　1引擎：Hi！Spider,你要处理哪一个网站？

　　2Spider：老大要我处理xxxx.com。

　　3引擎：你把第一个需要处理的URL给我吧。

　　4Spider：给你，第一个URL是xxxxxxx.com。

　　5引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

　　6调度器：好的，正在处理你等一下。

　　7引擎：Hi！调度器，把你处理好的request请求给我。

　　8调度器：给你，这是我处理好的request

　　9引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求

　　10下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）

　　11引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给defparse()这个函数处理的）

　　12Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。

　　13引擎：Hi！管道我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。

　　14管道调度器：好的，现在就做！

　　注意！只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）制作Scrapy爬虫一共需要4步：

　　新建项目(scrapystartprojectxxx)：新建一个新的爬虫项目

　　明确目标（编写items.py）：明确你想要抓取的目标

　　制作爬虫（spiders/xxspider.py）：制作爬虫开始爬取网页

　　存储内容（pipelines.py）：设计管道存储爬取内容

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注亿速云行业资讯频道，感谢您对亿速云的支持。