scrapy的流程
其流程可以描述如下：
● 调度器把requests-->引擎-->下载中间件--->下载器
● 下载器发送请求，获取响应---->下载中间件---->引擎--->爬虫中间件--->爬虫
● 爬虫提取url地址，组装成request对象---->爬虫中间件--->引擎--->调度器
● 爬虫提取数据--->引擎--->管道
● 管道进行数据的处理和保存
注意：
图中绿色线条的表示数据的传递
注意图中中间件的位置，决定了其作用
注意其中引擎的位置，所有的模块之前相互独立，只和引擎进行交互
scrapy中每个模块的具体作用
1.scrapy项目实现流程
创建一个scrapy项目:scrapy startproject 项目名
生成一个爬虫:scrapy genspider 爬虫名 允许爬取的范围
提取数据:完善spider，使用xpath等方法
保存数据:pipeline中保存数据
2. 创建scrapy项目
命令：scrapy startproject +<项目名字>
示例：scrapy startproject myspider
生成的目录和文件结果如下：
settings.py中的重点字段和内涵
● USER_AGENT 设置ua
● ROBOTSTXT_OBEY 是否遵守robots协议，默认是遵守
● CONCURRENT_REQUESTS 设置并发请求的数量，默认是16个
● DOWNLOAD_DELAY 下载延迟，默认无延迟
● COOKIES_ENABLED 是否开启cookie，即每次请求带上前一次的cookie，默认是开启的
● DEFAULT_REQUEST_HEADERS 设置默认请求头
● SPIDER_MIDDLEWARES 爬虫中间件，设置过程和管道相同
● DOWNLOADER_MIDDLEWARES 下载中间件
创建爬虫
命令：scrapy genspider +<爬虫名字> + <允许爬取的域名>
生成的目录和文件结果如下：
完善spider
完善spider即通过方法进行数据的提取等操做：
注意：
● response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法
● extract() 返回一个包含有字符串的列表
● extract_first() 返回列表中的第一个字符串，列表为空没有返回None
● spider中的parse方法必须有
● 需要抓取的url地址必须属于allowed_domains,但是start_urls中的url地址没有这个限制
● 启动爬虫的时候注意启动的位置，是在项目路径下启动
数据传递到pipeline
为什么要使用yield？
● 让整个函数变成一个生成器，有什么好处呢？
● 遍历这个函数的返回值的时候，挨个把数据读到内存，不会造成内存的瞬间占用过高
● python3中的range和python2中的xrange同理
注意：
yield能够传递的对象只能是：BaseItem,Request,dict,None
6. 完善pipeline
pipeline在settings中能够开启多个，为什么需要开启多个？
● 不同的pipeline可以处理不同爬虫的数据
● 不同的pipeline能够进行不同的数据处理的操作，比如一个进行数据清洗，一个进行数据的保存
pipeline使用注意点
● 使用之前需要在settings中开启
● pipeline在setting中键表示位置(即pipeline在项目中的位置可以自定义)，值表示距离引擎的远近，越近数据会越先经过
● 有多个pipeline的时候，process_item的方法必须return item,否则后一个pipeline取到的数据为None值
● pipeline中process_item的方法必须有，否则item没有办法接受和处理
● process_item方法接受item和spider，其中spider表示当前传递item过来的spider