Scrapy，Python开发的一个快速,高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

Scratch，是抓取的意思，这个Python的爬虫框架叫Scrapy，Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

python中scrapy爬虫框架 scrapy爬虫框架用来干嘛_中间件

 

 

Scrapy主要包括了以下组件：

  • 引擎(Scrapy)
    用来处理整个系统的数据流处理, 触发事务(框架核心)
  • 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
  • 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)
  • 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
  • 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。
  • 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。
  • 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。
  • 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运行流程大概如下：

  1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
  2. 引擎把URL封装成一个请求(Request)传给下载器
  3. 下载器把资源下载下来，并封装成应答包(Response)
  4. 爬虫解析Response
  5. 解析出实体（Item）,则交给实体管道进行进一步的处理
  6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

scrapy查询语法：

当我们爬取大量的网页，如果自己写正则匹配，会很麻烦，也很浪费时间，令人欣慰的是，scrapy内部支持更简单的查询语法，帮助我们去html中查询我们需要的标签和标签内容以及标签属性。下面逐一进行介绍：

  • 查询子子孙孙中的某个标签(以div标签为例)：//div
  • 查询儿子中的某个标签(以div标签为例)：/div
  • 查询标签中带有某个class属性的标签：//div[@class=’c1′]即子子孙孙中标签是div且class=‘c1’的标签
  • 查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签：//div[@class=’c1′][@name=’alex’]
  • 查询某个标签的文本内容：//div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容
  • 查询某个属性的值（例如查询a标签的href属性）：//a/@href
• def parse(self,response):
• # 分析页面
• # 找到页面中符合规则的内容（校花图片），保存
• # 找到所有的a标签，再访问其他a标签，一层一层的搞下去
•  
• hxs=HtmlXPathSelector(response)#创建查询对象
•  
• # 如果url是 http://www.xiaohuar.com/list-1-\d+.html
• ifre.match('http://www.xiaohuar.com/list-1-\d+.html',response.url):#如果url能够匹配到需要爬取的url，即本站url
• items=hxs.select('//div[@class="item_list infinite_scroll"]/div')#select中填写查询目标，按scrapy查询语法书写
• foriinrange(len(items)):
• src=hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src'%i).extract()#查询所有img标签的src属性，即获取校花图片地址
• name=hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()'%i).extract()#获取span的文本内容，即校花姓名
• school=hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()'%i).extract()#校花学校
• ifsrc:
• ab_src="http://www.xiaohuar.com"+src[0]#相对路径拼接
• file_name="%s_%s.jpg"%(school[0].encode('utf-8'),name[0].encode('utf-8'))#文件名，因为python27默认编码格式是unicode编码，因此我们需要编码成utf-8
• file_path=os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic",file_name)
• urllib.urlretrieve(ab_src,file_path)