Scrapy是爬虫里面最牛逼的框架！学会百分之八十的爬虫随便玩！

Scrapy是爬虫里面最牛逼的框架！学会百分之八十的爬虫随便
玩！
对于规模小、爬取数据量小、对爬取速度不敏感的爬虫程序，使用 Requests 能轻松搞定。

这些爬虫程序主要功能是爬取网页、玩转网页。

如果我们需要爬取网站以及系列网站，要求爬虫具备爬取失败能复盘、爬取速度较高等特点。

很显然 Requests 不能完全满足我们的需求。

因此，需要一功能更加强大的第三方爬虫框架库—— Scrapy
1 简介 Scrapy
Scrapy 是一个为了方便人们爬取网站数据，提取结构性数据而编写的分布式爬取框架。

它可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

因其功能颇多，所以学会它需要一定的时间成本。

1.1 Scrapy 的特性
Scrapy 是一个框架。

因此，它集一些各功能强大的 python 库的优点于一身。

下面列举其一些特性：
HTML, XML源数据选择及提取的内置支持提供了一系列在spider之间共享的可复用的过滤器(即Item Loaders)，对智能处理爬取数据提供了内置支持。

通过 feed导出提供了多格式(JSON、CSV、XML)，多存储后端(FTP、S3、本地文件系统)的内置支持提供了media pipeline，可以自动下载爬取到的数据中的图片(或者其他资源)。

高扩展性。

您可以通过使用signals ，设计好的API(中间件, extensions, pipelines)来定制实现您的功能。

内置的中间件及扩展为下列功能提供了支持:cookies and session 处理HTTP 压缩HTTP 认证HTTP 缓存user-agent模拟robots.txt爬取深度限制健壮的编码支持和自动识别，用于处理外文、非标准和错误编码问题针对多爬虫下性能评估、失败检测，提供了可扩展的状态收集工具。

内置Web service, 使您可以监视及控制您的机器。

1.2 安装 Scrapy
Scrapy 是单纯用 Python 语言编写的库。

所以它有依赖一些富贵
第三方库，如lxml, twisted,pyOpenSSL等。

我们也无需逐个安装依赖库，使用 pip 方式安装 Scrapy 即可。

pip 会自动安装 Scrapy 所依赖的库。

随便也说下 Scrapy 几个重要依赖库的作用。

lxml：XML 和 HTML 文本解析器，配合 Xpath 能提取网页中的内容信息。

如果你对 lxml 和 Xpath 不熟悉，你可以阅读我之前介绍该库用法的文章。

Twisted：Twisted 是 Python 下面一个非常重要的基于事件驱动的IO引擎。

pyOpenSSL：pyopenssl 是Python 的OpenSSL 接口。

在终端执行以下命令来安装 Scrapy
pip install Scrapy
# 如果出现因下载失败导致安装不上的情况，可以先启动 ss 再执行安装命令
# 或者在终端中使用代理
pip --proxy 代理ip:端口 install Scrapy
你在安装过程中也许会报出安装 Twisted 失败的错误：
running build_ext
building 'twisted.test.raiser' extension
error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": landinghub.visualstudio/visual-cpp-build-tools
----------------------------------------
Failed building wheel for Twisted
Running setup.py clean for Twisted
Failed to build Twisted
原因是 Twisted 底层是由 C 语言编写的，所以需要安装C语言的编译环境。

对于Python3.5来说，可以通过安装Visual C++ Build Tools 来安装这个环境。

打开上面报错文本中的链接，下载并安装visualcppbuildtools_full 。

等安装完成，再执行安装 Scrapy 命令。

安装成功之后如下图：
点击查看大图
2 初探 Scrapy
2.1 Scrapy 项目解析
Scrapy 新建项目需通过命令行操作。

在指定文件夹中，打开终端执行以下命令：
scrapy startproject 项目的名字
我新建一个名为 scrapy_demo，执行结果如下。

点击查看大图
使用 Pycharm 打开该项目，我们会发现项目的层级架构以及文件。

私信小编007即可获取数十套PDF的获取方式哦！
点击查看大图
这些文件的作用是：
scrapy.cfg：项目的配置文件，开发无需用到。

scrapy_demo：项目中会有两个同名的文件夹。

最外层表示 project，里面那个目录代表 module（项目的核心）。

scrapy_demo/items.py：以字段形式定义后期需要处理的数据。

scrapy_demo/pipelines.py：提取出来的Item 对象返回的数据并进行存储。

scrapy_demo/settings.py：项目的设置文件。

可以对爬虫进行自定义设置，比如选择深度优先爬取还是广度优先爬取，设置对每个IP的爬虫数，设置每个域名的爬虫数，设置爬虫延时，设置代理等等。

scrapy_demo/spider：这个目录存放爬虫程序代码。

__init__.py：python 包要求，对scrapy 作用不大。

2.2 Scrapy 的架构
我们刚接触到新事物，想一下子就熟悉它。

这明显是天方夜谭。

应按照一定的顺序层次、逐步深入学习。

学习 Scrapy 也不外乎如此。

在我看来，Scrapy 好比由许多组件拼装起来的大机器。

因此，可以采取从整体到局部的顺序学习Scrapy。

下图是Scrapy 的架构图，它能让我们对 Scrapy 有了大体地认识。

后续的文章会逐个介绍其组件用法。

我按照从上而下，从左往右的顺序阐述各组件的作用。

Scheduler：调度器。

负责接受 Engine 发送过来的 Requests 请求，并将其队列化；Item Pipeline：Item Pipeline负责处理被spider 提取出来的item。

其有典型应用，如清理 HTML 数据、验证爬取的数据（检查item 包含某些字段）、查重（并丢弃）、爬取数据持久化（存入数据库、写入文件等）；Scrapy Engine：引擎是 Scrapy 的中枢。

它负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件；Downloader Middlewares：下载中间件是Engine 和Downloader 的枢纽。

负责处理Downloader 传递给Engine 的responses；它还支持自定义扩展。

Downloader：负责下载Engine 发送的所有Requests 请求，并将其获取到的responses 回传给Scrapy Engine；Spider middlewares：Spider 中间件是 Engine 和Spider 的连接桥梁；它支持自定义扩展来处理Spider 的输入(responses) 以及输出 item 和 requests 给 Engine ；Spiders：负责解析 Responses 并提取 Item 字段需要的数据，再将需要跟进的URL 提交给引擎，再次进入Scheduler(调度器)；
2.3 Scrapy 工作机制
我们对 Scrapy 有了大体上的认识。

接下来我们了解下 Scrapy 内部的工作流程。

同样先放出一张图，然后我再细细讲解。

点击查看大图
当引擎(Engine) 收到 Spider 发送过来的 url 主入口地址（其实是一个Request 对象, 因为Scrapy 内部是用到Requests 请求库），Engine 会进行初始化操作。

Engine 请求调度器（Scheduler），让Scheduler 调度出下一个 url 给 Engine。

Scheduler 返回下一个 url 给 Engine。

Engine 将 url通过下载中间件(请求(request)方向)转发给下载器(Downloader)。

一旦页面下载完毕，Downloader 生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给 Engine引擎将从下载器中接收到 Response 发送给Spider处理。

Spider 处理 Response 并返回爬取到的 Item 及新的 Request 给引擎。

Engine 将 Spider 返回的爬取到的 Item 转发给Item Pipeline，顺便也将将Request 给调度器。

重复（第2步)直到调度器中没有更多地request，引擎关闭该网站。