強大的爬蟲框架Scrapy是什麼？

網路爬蟲（Web crawler），是一種按照一定的規則，自動地抓取萬維網資訊的程式或腳本，它們被廣泛用於網路搜尋引擎或其他類似網站，可以自動採集所有其能夠存取到的頁面，以獲取這些網站的內容。而Scrapy則是一種十分強大的爬蟲框架，而且它是用python寫的。下面我們來一起看看什麼是Scrapy?

一、所需知識

需要的知識有： linux系統Python語言Scrapy框架XPath（XML路徑語言） 一些輔助工具（瀏覽器的開發者工具和XPath helper插件）。

我們的爬蟲是使用Python語言的Scrapy爬蟲框架開發，在linux上運行，所以需要熟練Python語言和Scrapy框架以及linux作業系統的基本知識。

我們需要使用XPath從目標HTML頁面中提取我們想要的東西，包括漢語文字段落和「下一頁」的連結等。

瀏覽器的開發者工具是編寫爬蟲主要使用的輔助工具。使用該工具可以分析頁面連結的規律，可以用來定位HTML頁面中想要提取的元素，然後提取其XPath表達式用於爬蟲程式碼中，還可以查看頁面請求頭的Referer、Cookie等資訊。如果爬取的目標是動態網站，該工具還可以分析出背後的JavaScript請求。

XPath helper插件是chrome的插件，基於chrome核心的瀏覽器也可以安裝。 XPath helper可以用來調試XPath表達式。

二、環境建置

安裝Scrapy可以使用pip指令：pip install Scrapy

Scrapy相關依賴較多，因此在安裝過程中可能遇到以下問題：

 ImportError: No module named w3lib.http

  　    解決：pip install w3lib

 ImportError: No module named twistedsted

# pip install twisted

 ImportError: No module named lxml.HTML

         解決：pip install lxml

 error: libxml#/xmlversion.fileh: No.

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

　　　           解決：pip install cssselect

 ImportError: No module named OpenSSL

         解決：pip install pyOpenSSL 

 

#使用簡單的方法：使用anaconda安裝。

三、Scrapy框架

1. Scrapy簡介

Scrapy是大名鼎鼎的爬蟲框架，是使用Python寫的。 Scrapy可以很方便的進行web抓取，也可以很方便的依照自己的需求進行客製化。

Scrapy整體架構大致如下：

# 

2.Scrapy元件

#Scrapy主要包含了以下元件：

引擎(Scrapy)

用來處理整個系統的資料流,觸發交易(框架核心)。

調度器(Scheduler)

用來接受引擎發過來的請求,壓入隊列中, 並在引擎再次請求的時候返回. 可以想像成一個URL（抓取網頁的網址或連結）的優先佇列, 由它來決定下一個要抓取的網址是什麼, 同時去除重複的網址。

######下載器(Downloader)#########用於下載網頁內容, 並將網頁內容回傳給蜘蛛(Scrapy下載器是建立在twisted這個高效的非同步模型上的) 。 #########爬蟲(Spiders)#########爬蟲是主要幹活的, 用於從特定的網頁中提取自己需要的資訊, 即所謂的實體(Item)。用戶也可以從中提取出連結,讓Scrapy繼續抓取下一個頁面。 #########專案管道(Pipeline)#########負責處理爬蟲從網頁中抽取的實體，主要的功能是持久化實體、驗證實體的有效性、清除不需要的訊息。當頁面被爬蟲解析後，將被傳送到專案管道，並經過幾個特定的順序處理資料。 #########下載器中間件(Downloader Middlewares)#########位於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求及響應。 #########爬蟲中間件(Spider Middlewares)#########介於Scrapy引擎和爬蟲之間的框架，主要工作是處理蜘蛛的回應輸入和請求輸出。 #########調度中間件(Scheduler Middewares)######

介於Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和回應。

Scrapy運作流程：

1.引擎從調度器中取出一個連結(URL)用於接下來的抓取

#2.引擎把URL封裝成一個請求(Request)傳給下載器

3.下載器把資源下載下來，並封裝成應答包(Response)

4.爬蟲解析Response

5.解析出實體（Item）,則交給實體管道進行進一步的處理

6.解析出的是連結（URL）,則把URL交給調度器等待抓取

以上是強大的爬蟲框架Scrapy是什麼？的詳細內容。更多資訊請關注PHP中文網其他相關文章！