强大的爬虫框架Scrapy是什么？

网络爬虫（Web crawler），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，它们被广泛用于互联网搜索引擎或其他类似网站，可以自动采集所有其能够访问到的页面，以获取这些网站的内容。而Scrapy则是一种十分强大的爬虫框架，并且它是用python编写的。下面我们来一起看看什么是Scrapy?

一、所需知识

需要的知识有：linux系统 + Python语言 +Scrapy框架 + XPath（XML路径语言） + 一些辅助工具（浏览器的开发者工具和XPath helper插件）。

我们的爬虫是使用Python语言的Scrapy爬虫框架开发，在linux上运行，所以需要熟练掌握Python语言和Scrapy框架以及linux操作系统的基本知识。

我们需要使用XPath从目标HTML页面中提取我们想要的东西，包括汉语文字段落和“下一页”的链接等。

浏览器的开发者工具是编写爬虫主要使用的辅助工具。使用该工具可以分析页面链接的规律，可以用来定位HTML页面中想要提取的元素，然后提取其XPath表达式用于爬虫代码中，还可以查看页面请求头的Referer、Cookie等信息。如果爬取的目标是动态网站，该工具还可以分析出背后的JavaScript请求。

XPath helper插件是chrome的一个插件，基于chrome核的浏览器也可以安装。XPath helper可以用来调试XPath表达式。

二、环境搭建

安装Scrapy可以使用pip命令：pip install Scrapy

Scrapy相关依赖较多，因此在安装过程中可能遇到如下问题：

 ImportError: No module named w3lib.http

  　    解决：pip install w3lib

 ImportError: No module named twisted

         解决：pip install twisted

 ImportError: No module named lxml.HTML

         解决：pip install lxml

 error: libxml/xmlversion.h: No such file or directory

         解决：apt-get install libxml2-dev libxslt-dev  

　　　         apt-get install Python-lxml

 ImportError: No module named cssselect

         解决：pip install cssselect

 ImportError: No module named OpenSSL

         解决：pip install pyOpenSSL 

建议：

使用简单的方法：使用anaconda安装。

三、Scrapy框架

1. Scrapy简介

Scrapy是大名鼎鼎的爬虫框架，是使用Python编写的。Scrapy可以很方便的进行web抓取，并且也可以很方便的根据自己的需求进行定制。

Scrapy整体架构大致如下：

2.Scrapy组件

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,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：

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

Atas ialah kandungan terperinci 强大的爬虫框架Scrapy是什么？. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!