本篇文章给大家分享的是有关Scrapy是什么框架,有什么用,小编觉得挺实用的,因此分享给大家学习,希望大家阅读完这篇文章后可以有所收获,话不多说,跟着小编一起来看看吧。
网络爬虫(网络爬虫),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本,它们被广泛用于互联网搜索引擎或其他类似网站,可以自动采集所有其能够访问到的页面,以获取这些网站的内容。而Scrapy则是一种十分强大的爬虫框架,并且它是用python编写的。下面我们来一起看看什么是Scrapy吗?
<强>一、所需知识
需要的知识有:linux系统+ Python语言+ Scrapy框架+ XPath (XML路径语言)+一些辅助工具(浏览器的开发者工具和XPath辅助插件)。
我们的爬虫是使用Python语言的Scrapy爬虫框架开发,在linux上运行,所以需要熟练掌握Python语言和Scrapy框架以及linux操作系统的基本知识。
我们需要使用XPath从目标HTML页面中提取我们想要的东西,包括汉语文字段落和“下一页”的链接等。
浏览器的开发者工具是编写爬虫主要使用的辅助工具。使用该工具可以分析页面链接的规律,可以用来定位HTML页面中想要提取的元素,然后提取其XPath表达式用于爬虫代码中,还可以查看页面请求头的推荐人,饼干等信息。如果爬取的目标是动态网站,该工具还可以分析出背后的JavaScript请求。
XPath辅助插件是chrome浏览器的一个插件,基于chrome核的浏览器也可以安装.XPath助手可以用来调试XPath表达式。
<强>二、环境搭建
安装Scrapy可以使用pip命令:pip安装Scrapy
Scrapy相关依赖较多,因此在安装过程中可能遇到如下问题:
ImportError:没有模块w3lib命名。http
解决:pip安装w3lib
ImportError:没有模块命名扭曲
解决:pip安装扭曲
ImportError:没有模块lxml命名。HTML
解决:pip安装lxml
错误:libxml/xmlversion。h:没有这样的文件或目录
解决:apt-get安装libxml2-dev libxslt-dev
apt-get安装Python-lxml
ImportError:没有模块命名cssselect
解决:pip安装cssselect
ImportError:没有模块命名OpenSSL
解决:pip安装pyOpenSSL
建议:
使用简单的方法:使用蟒蛇安装。
<强>三,Scrapy框架
<强> 1。Scrapy简介
Scrapy是大名鼎鼎的爬虫框架,是使用Python编写的.Scrapy可以很方便的进行网络抓取,并且也可以很方便的根据自己的需求进行定制。
<强> 2. Scrapy组件
Scrapy主要包括了以下组件:
引擎(Scrapy)
用来处理整个系统的数据流,触发事务(框架核心)。
调度器(调度器)
用来接受引擎发过来的请求,压入队列中,并在引擎再次请求的时候返回。可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列,由它来决定下一个要抓取的网址是什么,同时去除重复的网址。
下载器(下载)
用于下载网页内容,并将网页内容返回给蜘蛛(Scrapy下载器是建立在扭曲这个高效的异步模型上的)。
爬虫(蜘蛛)
爬虫是主要干活的,用于从特定的网页中提取自己需要的信息,即所谓的实体(项目)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面。
项目管道(管道)
负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体,验证实体的有效性,清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
下载器中间件(下载器仿真中间件)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(蜘蛛中间件))
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(调度器Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
<强> Scrapy运行流程:
1。引擎从调度器中取出一个链接(URL)用于接下来的抓取
2。引擎把URL封装成一个请求(请求)传给下载器
3。下载器把资源下载下来,并封装成应答包(响应)
4。爬虫解析反应
5。解析出实体(项),则交给实体管道进行进一步的处理
6。解析出的是链接(URL),则把URL交给调度器等待抓取
以上就是Scrapy是什么框架,有什么用,小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注行业资讯频道。
