Scrapy是什么框架，有什么用

本篇文章給大家分享的是有關(guān)Scrapy是什么框架，有什么用，小編覺(jué)得挺實(shí)用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說(shuō)，跟著小編一起來(lái)看看吧。

網(wǎng)站建設(shè)哪家好，找成都創(chuàng)新互聯(lián)公司！專注于網(wǎng)頁(yè)設(shè)計(jì)、網(wǎng)站建設(shè)、微信開(kāi)發(fā)、微信小程序、集團(tuán)企業(yè)網(wǎng)站建設(shè)等服務(wù)項(xiàng)目。為回饋新老客戶創(chuàng)新互聯(lián)還提供了埇橋區(qū)免費(fèi)建站歡迎大家使用！

網(wǎng)絡(luò)爬蟲(chóng)（Web crawler），是一種按照一定的規(guī)則，自動(dòng)地抓取萬(wàn)維網(wǎng)信息的程序或者腳本，它們被廣泛用于互聯(lián)網(wǎng)搜索引擎或其他類似網(wǎng)站，可以自動(dòng)采集所有其能夠訪問(wèn)到的頁(yè)面，以獲取這些網(wǎng)站的內(nèi)容。而Scrapy則是一種十分強(qiáng)大的爬蟲(chóng)框架，并且它是用python編寫的。下面我們來(lái)一起看看什么是Scrapy?

一、所需知識(shí)

需要的知識(shí)有：linux系統(tǒng) + Python語(yǔ)言 +Scrapy框架 + XPath（XML路徑語(yǔ)言） + 一些輔助工具（瀏覽器的開(kāi)發(fā)者工具和XPath helper插件）。

我們的爬蟲(chóng)是使用Python語(yǔ)言的Scrapy爬蟲(chóng)框架開(kāi)發(fā)，在linux上運(yùn)行，所以需要熟練掌握Python語(yǔ)言和Scrapy框架以及l(fā)inux操作系統(tǒng)的基本知識(shí)。

我們需要使用XPath從目標(biāo)HTML頁(yè)面中提取我們想要的東西，包括漢語(yǔ)文字段落和“下一頁(yè)”的鏈接等。

瀏覽器的開(kāi)發(fā)者工具是編寫爬蟲(chóng)主要使用的輔助工具。使用該工具可以分析頁(yè)面鏈接的規(guī)律，可以用來(lái)定位HTML頁(yè)面中想要提取的元素，然后提取其XPath表達(dá)式用于爬蟲(chóng)代碼中，還可以查看頁(yè)面請(qǐng)求頭的Referer、Cookie等信息。如果爬取的目標(biāo)是動(dòng)態(tài)網(wǎng)站，該工具還可以分析出背后的JavaScript請(qǐng)求。

XPath helper插件是chrome的一個(gè)插件，基于chrome核的瀏覽器也可以安裝。XPath helper可以用來(lái)調(diào)試XPath表達(dá)式。

二、環(huán)境搭建

安裝Scrapy可以使用pip命令：pip install Scrapy

Scrapy相關(guān)依賴較多，因此在安裝過(guò)程中可能遇到如下問(wèn)題：

ImportError: No module named w3lib.http

解決：pip install w3lib

ImportError: No module named twisted

解決：pip install twisted

ImportError: No module named lxml.HTML

解決：pip install lxml

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

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

apt-get install Python-lxml

ImportError: No module named cssselect

解決：pip install cssselect

ImportError: No module named OpenSSL

解決：pip install pyOpenSSL

建議：

使用簡(jiǎn)單的方法：使用anaconda安裝。

三、Scrapy框架

1. Scrapy簡(jiǎn)介

Scrapy是大名鼎鼎的爬蟲(chóng)框架，是使用Python編寫的。Scrapy可以很方便的進(jìn)行web抓取，并且也可以很方便的根據(jù)自己的需求進(jìn)行定制。

2.Scrapy組件

Scrapy主要包括了以下組件：

引擎(Scrapy)

用來(lái)處理整個(gè)系統(tǒng)的數(shù)據(jù)流,觸發(fā)事務(wù)(框架核心)。

調(diào)度器(Scheduler)

用來(lái)接受引擎發(fā)過(guò)來(lái)的請(qǐng)求,壓入隊(duì)列中, 并在引擎再次請(qǐng)求的時(shí)候返回. 可以想像成一個(gè)URL（抓取網(wǎng)頁(yè)的網(wǎng)址或者說(shuō)是鏈接）的優(yōu)先隊(duì)列, 由它來(lái)決定下一個(gè)要抓取的網(wǎng)址是什么, 同時(shí)去除重復(fù)的網(wǎng)址。

下載器(Downloader)

用于下載網(wǎng)頁(yè)內(nèi)容, 并將網(wǎng)頁(yè)內(nèi)容返回給蜘蛛(Scrapy下載器是建立在twisted這個(gè)高效的異步模型上的) 。

爬蟲(chóng)(Spiders)

爬蟲(chóng)是主要干活的, 用于從特定的網(wǎng)頁(yè)中提取自己需要的信息, 即所謂的實(shí)體(Item)。用戶也可以從中提取出鏈接,讓Scrapy繼續(xù)抓取下一個(gè)頁(yè)面。

項(xiàng)目管道(Pipeline)

負(fù)責(zé)處理爬蟲(chóng)從網(wǎng)頁(yè)中抽取的實(shí)體，主要的功能是持久化實(shí)體、驗(yàn)證實(shí)體的有效性、清除不需要的信息。當(dāng)頁(yè)面被爬蟲(chóng)解析后，將被發(fā)送到項(xiàng)目管道，并經(jīng)過(guò)幾個(gè)特定的次序處理數(shù)據(jù)。

下載器中間件(Downloader Middlewares)

位于Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請(qǐng)求及響應(yīng)。

爬蟲(chóng)中間件(Spider Middlewares)

介于Scrapy引擎和爬蟲(chóng)之間的框架，主要工作是處理蜘蛛的響應(yīng)輸入和請(qǐng)求輸出。

調(diào)度中間件(Scheduler Middewares)

介于Scrapy引擎和調(diào)度之間的中間件，從Scrapy引擎發(fā)送到調(diào)度的請(qǐng)求和響應(yīng)。

Scrapy運(yùn)行流程：

1.引擎從調(diào)度器中取出一個(gè)鏈接(URL)用于接下來(lái)的抓取

2.引擎把URL封裝成一個(gè)請(qǐng)求(Request)傳給下載器

3.下載器把資源下載下來(lái)，并封裝成應(yīng)答包(Response)

4.爬蟲(chóng)解析Response

5.解析出實(shí)體（Item）,則交給實(shí)體管道進(jìn)行進(jìn)一步的處理

6.解析出的是鏈接（URL）,則把URL交給調(diào)度器等待抓取

以上就是Scrapy是什么框架，有什么用，小編相信有部分知識(shí)點(diǎn)可能是我們?nèi)粘９ぷ鲿?huì)見(jiàn)到或用到的。希望你能通過(guò)這篇文章學(xué)到更多知識(shí)。更多詳情敬請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

新聞名稱：Scrapy是什么框架，有什么用
標(biāo)題網(wǎng)址：http://muchs.cn/article48/pdheep.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站策劃、電子商務(wù)、App開(kāi)發(fā)、網(wǎng)站營(yíng)銷、網(wǎng)站設(shè)計(jì)公司、網(wǎng)站排名

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)