scrapy爬虫框架简绍与安装使用

Scrapy

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

Scrapy组件说明：

• 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-引擎向spiders要url；

2-引擎将要爬取的url给调度器；

3-调度器将url生成的请求对象放到指定的队列中；

4-从队列中出列一个请求；

5-引擎将请求交给下载器处理；

6-下载器发送请求获得互联网数据；

7-下载器将数据返回给引擎；

8-引擎将数据交给spiders；

9-spiders通过xpath解析该数据得到数据或url；

10-spiders将解析后的数据或url回给引擎；

11-引擎判断数据（如果是数据交给管道处理器，如果是url交给调度器）

安装与使用

(1)去https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted下载twisted版本的whl文件

百度云链接：链接  提取码：sbgp 

然后去win黑框输入 pip install (文件位置安全属性找) 然后安装  pip install 

bs4 
requests
lxml
pywin32
PyOpenSSL
scrapy
mitmproxy

-i https://mirrors.aliyun.com/pypi/simple/

(安装过程缓慢，可以使用豆瓣源)
eg:  pip install bs4 -i https://mirrors.aliyun.com/pypi/simple/

(2)目录结构：会生成两重项目名称，

第一重包包含scarpy.cfg，第二重包包含其他文件，并包含spiders爬虫目录（爬虫文件在此文件内）

1.spiders 爬虫目录，包含爬虫文件

2.items.py 定义数据结构的地方

3.middlewares.py 中间件

(当需要配置IP代理时在此文件中
def process_request(self,request,apider):
    request.meta["proxy"] = "http[s]://ip:port"
    return None)

4.pipelines.py 管道文件

5.settings.py 项目配置文件，配置适用于项目内的每个spider

(1~ITEM_PIPELINES管道配置，用于item后处理，需要在pipelines文件或调用源文件中重写相应类，
并配置相应数据库属性

2~LOG 日志配置(LOG_LEVEL 设置日志显示等级，此举动决定了显示哪些，不显示哪些日志

                            LOG_FILE 将屏幕显示的信息记录到文件中，屏幕中不再显示)

3~DOWNLOADER_MIDDLEWARES 下载中间件(打开配置，在对应文件位置添加IP代理如：DOWNLOADER_MIDDLEWARES = { 'exam.middlewares.ExamDownloaderMiddleware': 543,}，并在相应文件内添加具体IP)

4~DOWNLOAD_DELAY =1 设置爬取延迟时间，保护网站服务器

5~分布式爬虫配置

(#scrapy_redis指纹去重类
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

# 调度器使用是scrapy_redis的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"

# 爬取的过程中是否允许暂停
SCHEDULER_PERSIST = True

# 配置存储的redis服务器
REDIS_HOST = '10.0.112.191'
REDIS_PORT = 6379))

(2)使用(eg:斗鱼)

创建Scrapy项目：

scrapy startproject douyu

进入spiders：

cd douyu/douyu/spiders

使用项目命令genspider创建Spider

scrapy genspider dy https://www.douyu.com/

(预知后事如何,请等下次更新）