详解Python的爬虫框架 Scrapy


Posted in Python onAugust 03, 2020

网络爬虫,是在网上进行数据抓取的程序,使用它能够抓取特定网页的HTML数据。虽然我们利用一些库开发一个爬虫程序,但是使用框架可以大大提高效率,缩短开发时间。Scrapy是一个使用Python编写的,轻量级的,简单轻巧,并且使用起来非常的方便。

一、概述

下图显示了Scrapy的大体架构,其中包含了它的主要组件及系统的数据处理流程(绿色箭头所示)。下面就来一个个解释每个组件的作用及数据的处理过程(注:图片来自互联网)。

详解Python的爬虫框架 Scrapy

二、组件

1、Scrapy Engine(Scrapy引擎)

Scrapy引擎是用来控制整个系统的数据处理流程,并进行事务处理的触发。更多的详细内容可以看下面的数据处理流程。

2、Scheduler(调度)

调度程序从Scrapy引擎接受请求并排序列入队列,并在Scrapy引擎发出请求后返还给他们。

3、Downloader(下载器)

下载器的主要职责是抓取网页并将网页内容返还给蜘蛛( Spiders)。

4、Spiders(蜘蛛)

蜘蛛是有Scrapy用户自己定义用来解析网页并抓取制定URL返回的内容的类,每个蜘蛛都能处理一个域名或一组域名。换句话说就是用来定义特定网站的抓取和解析规则。

蜘蛛的整个抓取流程(周期)是这样的:

首先获取第一个URL的初始请求,当请求返回后调取一个回调函数。第一个请求是通过调用start_requests()方法。该方法默认从start_urls中的Url中生成请求,并执行解析来调用回调函数。

在回调函数中,你可以解析网页响应并返回项目对象和请求对象或两者的迭代。这些请求也将包含一个回调,然后被Scrapy下载,然后有指定的回调处理。

在回调函数中,你解析网站的内容,同程使用的是Xpath选择器(但是你也可以使用BeautifuSoup, lxml或其他任何你喜欢的程序),并生成解析的数据项。

最后,从蜘蛛返回的项目通常会进驻到项目管道。

5、Item Pipeline(项目管道)

项目管道的主要责任是负责处理有蜘蛛从网页中抽取的项目,他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后,将被发送到项目管道,并经过几个特定的次序处理数据。每个项目管道的组件都是有一个简单的方法组成的Python类。他们获取了项目并执行他们的方法,同时他们还需要确定的是是否需要在项目管道中继续执行下一步或是直接丢弃掉不处理。

项目管道通常执行的过程有:

清洗HTML数据
验证解析到的数据(检查项目是否包含必要的字段)
检查是否是重复数据(如果重复就删除)
将解析到的数据存储到数据库中

6、Downloader middlewares(下载器中间件)

下载中间件是位于Scrapy引擎和下载器之间的钩子框架,主要是处理Scrapy引擎与下载器之间的请求及响应。它提供了一个自定义的代码的方式来拓展Scrapy的功能。下载中间器是一个处理请求和响应的钩子框架。他是轻量级的,对Scrapy尽享全局控制的底层的系统。

7、Spider middlewares(蜘蛛中间件)

蜘蛛中间件是介于Scrapy引擎和蜘蛛之间的钩子框架,主要工作是处理蜘蛛的响应输入和请求输出。它提供一个自定义代码的方式来拓展Scrapy的功能。蛛中间件是一个挂接到Scrapy的蜘蛛处理机制的框架,你可以插入自定义的代码来处理发送给蜘蛛的请求和返回蜘蛛获取的响应内容和项目。

8、Scheduler middlewares(调度中间件)

调度中间件是介于Scrapy引擎和调度之间的中间件,主要工作是处从Scrapy引擎发送到调度的请求和响应。他提供了一个自定义的代码来拓展Scrapy的功能。

三、数据处理流程

Scrapy的整个数据处理流程有Scrapy引擎进行控制,其主要的运行方式为:

1.引擎打开一个域名,时蜘蛛处理这个域名,并让蜘蛛获取第一个爬取的URL。

2.引擎从蜘蛛那获取第一个需要爬取的URL,然后作为请求在调度中进行调度。

3.引擎从调度那获取接下来进行爬取的页面。

4.调度将下一个爬取的URL返回给引擎,引擎将他们通过下载中间件发送到下载器。

5.当网页被下载器下载完成以后,响应内容通过下载中间件被发送到引擎。

6.引擎收到下载器的响应并将它通过蜘蛛中间件发送到蜘蛛进行处理。

7.蜘蛛处理响应并返回爬取到的项目,然后给引擎发送新的请求。

8.引擎将抓取到的项目项目管道,并向调度发送请求。

9.系统重复第二部后面的操作,直到调度中没有请求,然后断开引擎与域之间的联系。

四、驱动器

Scrapy是由Twisted写的一个受欢迎的Python事件驱动网络框架,它使用的是非堵塞的异步处理。

以上就是详解Python的爬虫框架 Scrapy的详细内容,更多关于Python 爬虫框架 Scrapy的资料请关注三水点靠木其它相关文章!

Python 相关文章推荐
浅谈Python中copy()方法的使用
May 21 Python
python获取代理IP的实例分享
May 07 Python
解决Python安装时报缺少DLL问题【两种解决方法】
Jul 15 Python
python PyAutoGUI 模拟鼠标键盘操作和截屏功能
Aug 04 Python
numpy ndarray 按条件筛选数组,关联筛选的例子
Nov 26 Python
PyTorch 对应点相乘、矩阵相乘实例
Dec 27 Python
pytorch 实现tensor与numpy数组转换
Dec 27 Python
Python使用Tkinter实现转盘抽奖器的步骤详解
Jan 06 Python
如何使用pandas读取txt文件中指定的列(有无标题)
Mar 05 Python
Django静态文件加载失败解决方案
Aug 26 Python
python爬虫框架feapde的使用简介
Apr 20 Python
如何用python反转图片,视频
Apr 24 Python
Python利用Faiss库实现ANN近邻搜索的方法详解
Aug 03 #Python
Python pexpect模块及shell脚本except原理解析
Aug 03 #Python
python爬虫使用正则爬取网站的实现
Aug 03 #Python
python获取整个网页源码的方法
Aug 03 #Python
flask开启多线程的具体方法
Aug 02 #Python
基于opencv实现简单画板功能
Aug 02 #Python
django下创建多个app并设置urls方法
Aug 02 #Python
You might like
PHP输入流php://input介绍
2012/09/18 PHP
PHP集成百度Ueditor 1.4.3
2014/11/23 PHP
Laravel自动生成UUID,从建表到使用详解
2019/10/24 PHP
JavaScript游戏之是男人就下100层代码打包
2010/11/08 Javascript
简短几句jquery代码的实现一个图片向上滚动切换
2011/09/02 Javascript
疯狂Jquery第一天(Jquery学习笔记)
2012/05/11 Javascript
基于jQuery的公告无限循环滚动实现代码
2012/05/11 Javascript
快速解决jQuery与其他库冲突的方法介绍
2014/01/02 Javascript
招聘网站基于jQuery实现自动刷新简历
2015/05/10 Javascript
js实现适用于素材网站的黑色多级菜单导航条效果
2015/08/24 Javascript
JS实现光滑展开合拢的菜单效果代码
2015/09/16 Javascript
JavaScript制作淘宝星级评分效果的思路
2020/06/23 Javascript
JavaScript学习笔记之数组去重
2016/03/23 Javascript
JS简单获取客户端IP地址的方法【调用搜狐接口】
2016/09/05 Javascript
JS前端笔试题分析
2016/12/19 Javascript
AngularJS自定义表单验证功能实例详解
2018/08/24 Javascript
浅谈react性能优化的方法
2018/09/05 Javascript
javascript中的this作用域详解
2019/07/15 Javascript
解决微信小程序中的滚动穿透问题
2019/09/16 Javascript
微信小程序错误this.setData报错及解决过程
2019/09/18 Javascript
如何利用 JS 脚本实现网页全自动秒杀抢购功能
2020/10/12 Javascript
python实现基于两张图片生成圆角图标效果的方法
2015/03/26 Python
在Python中使用CasperJS获取JS渲染生成的HTML内容的教程
2015/04/09 Python
python+opencv轮廓检测代码解析
2018/01/05 Python
对python数据切割归并算法的实例讲解
2018/12/12 Python
Python自动化之数据驱动让你的脚本简洁10倍【推荐】
2019/06/04 Python
解决使用export_graphviz可视化树报错的问题
2019/08/09 Python
Django 查询数据库并返回页面的例子
2019/08/12 Python
python命令 -u参数用法解析
2019/10/24 Python
pandas数据拼接的实现示例
2020/04/16 Python
K近邻法(KNN)相关知识总结以及如何用python实现
2021/01/28 Python
Python3使用Selenium获取session和token方法详解
2021/02/16 Python
银行实习生的自我评价
2013/12/09 职场文书
班组建设经验交流材料
2014/05/12 职场文书
交警正风肃纪剖析材料
2014/10/29 职场文书
springboot 自定义配置 解决Boolean属性不生效
2022/03/18 Java/Android