scrapy

scrapy的架构图：

scrapy_architecture.png

1、引擎(ScrapyEngine): 用来处理整个系统的通讯，数据流处理, 触发事务(框架核心)。
2、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。
3、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)。
4、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。
5、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。
6、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。
7、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。
8、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

scrapy流程：

1.Spider将初始url告诉Engine，Engine将url添加到调度器的请求队列中
2.Engine从调度器队列中拿到下一个要请求的url，交给下载器（下载器中间件可以设置代理之类。。），下载器下载网页内容，交还给引擎
3.Engine将从下载器拿到的网页内容，交给spider，spider爬取所需要的内容，生成item交还给Engine，如果需要继续爬取，将新的url告诉Engine，并添加到调度器的请求队列中
4.pipeline 从Engine拿到爬取的实体进行处理

python&scrapy安装：

windows下安装python+scrapy

开始

创建项目：

scrapy startproject 项目名称

目录介绍：

.cfg         项目配置文件  定义了项目配置文件路径，部署信息等内容items.py     定义item数据结构的地方settings.py  项目的设置文件，定义项目的全局设置

生成spiders文件：

在spiders目录中进入命令行输入  scrapy genspider 爬虫名 要爬取的域名

刷新项目文件目录

spider文件中：
    name : 爬虫的名称
    start_urls ： 为初始爬虫目录，就是第一次爬取的地址url

执行爬虫文件 ：

scrapy crawl 爬虫名称

执行爬虫写入文件
scrapy crawl 爬虫名称  -o  文件.json/文件.csv