Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。
scrapy的运行流程
其运行流程可以描述如下：
● 调度器把requests-->引擎-->下载中间件--->下载器
● 下载器发送请求，获取响应---->下载中间件---->引擎--->爬虫中间件--->爬虫
● 爬虫提取url地址，组装成request对象---->爬虫中间件--->引擎--->调度器
● 爬虫提取数据--->引擎--->管道
● 管道进行数据的处理和保存
【注意】
图中绿色线条的表示数据的传递；
注意图中中间件的位置，决定了其作用；
注意其中引擎的位置，所有的模块之前相互独立，只和引擎进行交互；
scrapy中每个模块的具体作用
scrapy项目实现流程
创建一个scrapy项目：scrapy startproject 项目名
生成一个爬虫：scrapy genspider 爬虫名 允许爬取的范围
提取数据：完善spider，使用xpath等方法
保存数据：pipeline中保存数据
scrapy框架的使用
1、创建scrapy项目
命令：scrapy startproject +<项目名字>
示例：scrapy startproject myspider
生成的目录和文件结果如下：
settings.py中的重点字段和内涵
● USER_AGENT 设置ua ● ROBOTSTXT_OBEY 是否遵守robots协议，默认是遵守 ● CONCURRENT_REQUESTS 设置并发请求的数量，默认是16个 ● DOWNLOAD_DELAY 下载延迟，默认无延迟 ● COOKIES_ENABLED 是否开启cookie，即每次请求带上前一次的cookie，默认是开启的 ● DEFAULT_REQUEST_HEADERS 设置默认请求头 ● SPIDER_MIDDLEWARES 爬虫中间件，设置过程和管道相同 ● DOWNLOADER_MIDDLEWARES 下载中间件
2、创建爬虫
命令：scrapy genspider +<爬虫名字> + <允许爬取的域名>
生成的目录和文件结果如下：
3、完善spider
完善spider即通过方法进行数据的提取等操做：
【注意】
● response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法 ● extract() 返回一个包含有字符串的列表 ● extract_first() 返回列表中的第一个字符串，列表为空没有返回None ● spider中的parse方法必须有 ● 需要抓取的url地址必须属于allowed_domains,但是start_urls中的url地址没有这个限制 ● 启动爬虫的时候注意启动的位置，是在项目路径下启动
4、数据传递到pipeline
为什么要使用yield？
● 让整个函数变成一个生成器，有什么好处呢？ ● 遍历这个函数的返回值的时候，挨个把数据读到内存，不会造成内存的瞬间占用过高 ● python3中的range和python2中的xrange同理
【注意】
yield能够传递的对象只能是：BaseItem,Request,dict,None
5、完善pipeline
pipeline在settings中能够开启多个，为什么需要开启多个？
● 不同的pipeline可以处理不同爬虫的数据 ● 不同的pipeline能够进行不同的数据处理的操作，比如一个进行数据清洗，一个进行数据的保存
pipeline使用注意点
● 使用之前需要在settings中开启 ● pipeline在setting中键表示位置(即pipeline在项目中的位置可以自定义)，值表示距离引擎的远近，越近数据会越先经过 ● 有多个pipeline的时候，process_item的方法必须return item,否则后一个pipeline取到的数据为None值 ● pipeline中process_item的方法必须有，否则item没有办法接受和处理 ● process_item方法接受item和spider，其中spider表示当前传递item过来的spider
以上就是Python爬虫-scrapy介绍及使用的详细内容。
