python-scrapy爬虫框架

scrapy爬虫框架

    1.Scrapy爬虫框架

1. scrapy 不是一个函数功能库，而是一个爬虫框架。
2. scrapy爬虫框架：
   1. 爬虫框架是实现爬虫功能的一个软件结构和功能组件集合。
   2. .简单说爬虫框架是一个半成品，能够帮助用户实现专业网络爬虫。
3. scrapy爬虫框架共包含七个部分（5+2结构），五个主体部分，两个中间件。数据流如图。
4. 框架的入口SPIDERS，出口为ITEM PIPELINES，DOWNLOADER，ENGIN,SCHEDULER模块已经实现了，用户只需要编写ITEM PIPELINES和SPIDERS模块。SPIDERS提供需要访问的url链接，同时对网页进行解析，而ITEM PIPELINES对页面的后处理。
5.  这种对模块代码的编写方式，也可以叫做配置。

2.模块介绍

1. Engin：控制所有模块之间的数据流，根据条件触发事件，不需要用户修改。
2. Downloader：根据请求下载页面，不需要用户修改。
3. Scheduler：对所有爬取请求进行调度管理，不需要用户修改。
4. 中间件模块Downloader Middleware
   1. 实施Engin，Scheduler和Downloader之间用户可配置的控制。
   2. 通过中间件修改，丢弃，新增请求或响应。
5. Spider：解析Downloader返回的响应（Response），产生爬取项（scraped item）和爬取请求（Requset），是最核心单元，是需要用户编写主要模块。
6. Item Piplines:以流水线方式处理Spide产生的爬取项。有一组操作顺序组成，每个操作是一个Item Pipline类型。包括清理，检验和查重爬取项中的ITEM数据，将数据存储到数据库等操作。需人工配置。
7. Spider Middleware：
   1. 对请求和爬取项再处理。
   2. 通过中间件修改，丢弃，新增请求或爬取项。

    
3.requests库与Scarpy

1. 相同点:都可以进行网页请求和爬取，是python的两个重要的爬虫实现路线；可用性好；都没有处理js，提交表单，应对验证码的功能；

requests VS. scrapy

requests	scrapy
网页级爬虫	网站级爬虫
功能库	框架
并发性考虑不足，性能差	并发性好，性能较高
重点在页面下载	重点在爬虫结构
定制灵活	一般定制灵活，深度定制难
上手简单	入门稍难

1. 小需求，推荐使用requests库，不太小的推荐使用scrapy框架。自搭框架建议使用requests。