Scrapy爬虫框架

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

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

图片.png

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, 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：

引擎从调度器中取出一个链接(URL)用于接下来的抓取

引擎把URL封装成一个请求(Request)传给下载器

下载器把资源下载下来，并封装成应答包(Response)

爬虫解析Response

解析出实体（Item）,则交给实体管道进行进一步的处理

解析出的是链接（URL）,则把URL交给调度器等待抓取

安装

pip install scrapy

创建工程

scrapy startproject 工程XXX

使用tree树形目录

pip install tree

第一次安装没有效果，则更新一下系统即可

查看树形目录，N为目录深度

tree -L N

进入刚创建的项目目录

tree -L 3

微信图片_20181214040842.png

使用mongodb存储数据

微信图片_20181215132500.png

curl -O http://downloads.mongodb.org/linux/mongodb-linux-x86_64-4.0.4.tgz

2. 解压tgz包

tar -zxvf mongodb-linux-x86_64-2.6.3.tgz

3. 拷贝解压出的文件夹到指定目录

注意权限，如果提示没有权限，请用sudo，或者修改目录的own。

mkdir -p mongodb cp -R -n mongodb-linux-x86_64-2.6.3/ mongodb

4. 修改/etc/profile(对所有用户有效)或者~/.bashrc(对当前用户有效), 把mongodb/bin加到PATH中。

export MONGODB=/opt/mongodb
export PATH=$MONGODB/bin:$PATH