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
解决Python网页爬虫之中文乱码问题
May 11 Python
Python实现判断一行代码是否为注释的方法
May 23 Python
pandas将numpy数组写入到csv的实例
Jul 04 Python
使用TensorFlow-Slim进行图像分类的实现
Dec 31 Python
在Tensorflow中实现梯度下降法更新参数值
Jan 23 Python
django-利用session机制实现唯一登录的例子
Mar 16 Python
django 模型中的计算字段实例
May 19 Python
Python下划线5种含义代码实例解析
Jul 10 Python
Python子进程subpocess原理及用法解析
Jul 16 Python
Python3如何在服务器打印资产信息
Aug 27 Python
python Tornado框架的使用示例
Oct 19 Python
浅谈Python实现opencv之图片色素的数值运算和逻辑运算
Jun 23 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面向对象程序设计之对象生成方法详解
2016/12/02 PHP
PHP中Laravel 关联查询返回错误id的解决方法
2017/04/01 PHP
php中的explode()函数实例介绍
2019/01/18 PHP
php 使用expat方式解析xml文件操作示例
2019/11/26 PHP
七种PHP开发环境搭建工具
2020/06/28 PHP
prototype1.4中文手册
2006/09/22 Javascript
jquery 漂亮的删除确认和提交无刷新删除示例
2013/11/13 Javascript
学习JavaScript设计模式(代理模式)
2015/12/03 Javascript
浏览器检测JS代码(兼容目前各大主流浏览器)
2016/02/21 Javascript
javascript中JSON.parse()与eval()解析json的区别
2016/05/19 Javascript
详解JavaScript节流函数中的Throttle
2016/07/16 Javascript
JS实现双击内容变为可编辑状态
2017/03/03 Javascript
js简单实现网页换肤功能
2017/04/07 Javascript
ReactNative实现图片上传功能的示例代码
2017/07/11 Javascript
JavaScript重复元素处理方法分析【统计个数、计算、去重复等】
2017/12/14 Javascript
web3.js增加eth.getRawTransactionByHash(txhash)方法步骤
2018/03/15 Javascript
详解angular如何调用HTML字符串的方法
2018/06/30 Javascript
[42:48]完美世界DOTA2联赛PWL S3 Magma vs INK ICE 第二场 12.11
2020/12/16 DOTA
Python实现树莓派WiFi断线自动重连的实例代码
2017/03/16 Python
python实现电脑自动关机
2018/06/20 Python
python 按不同维度求和,最值,均值的实例
2018/06/28 Python
mvc框架打造笔记之wsgi协议的优缺点以及接口实现
2018/08/01 Python
详解Django中类视图使用装饰器的方式
2018/08/12 Python
python pandas读取csv后,获取列标签的方法
2018/11/12 Python
python 机器学习之支持向量机非线性回归SVR模型
2019/06/26 Python
Python3内置模块random随机方法小结
2019/07/13 Python
Django 在iframe里跳转顶层url的例子
2019/08/21 Python
python自动化实现登录获取图片验证码功能
2019/11/20 Python
python GUI库图形界面开发之PyQt5计数器控件QSpinBox详细使用方法与实例
2020/02/28 Python
利用 Canvas实现绘画一个未闭合的带进度条的圆环
2019/07/26 HTML / CSS
学生就业推荐信
2013/11/13 职场文书
小学教师评语大全
2014/04/23 职场文书
说明书格式及范文
2014/05/07 职场文书
政风行风建设责任书
2014/07/23 职场文书
先进党支部事迹材料
2014/12/24 职场文书
请客吃饭开场白
2015/06/01 职场文书