第十节课 爬虫

xiaoxiao2021-03-01  17

1 引擎访问spider,询问需要处理的URL链接,spider收到请求,将需要处理的URL告诉引擎,然后将URL给引擎处理。

2 引擎通知调度器,调度器得到通知将URL排序入队,并加以处理。

3 引擎通知调度器,调度器将处理好的request返回给引擎

4 引擎接收到request后告诉下载器,按照setting中配置的顺序下载这个request的请求

5 下载器收到请求,将下载好后的东西返回给引擎。如果下载失败,下载器会通知引擎,引擎再通知调度器,调度器收到消息后会记录这个下载失败的request。

6 引擎得到下载好的东西后,通知spider(这里responses默认是交给defparse()函数处理)

7 Spider收到通知后,处理接收的数据

8 Spider处理完数据后返回给引擎两个结果:一个是需要跟进的URL,另一个是获取到的item数据。

9 引擎将接收到的item数据交给管道处理,将需要跟进的URL交给调度器处理。重复循环直到获取完需要的全部信息。

· 引擎(Scrapy)用来处理整个系统的数据流处理, 触发事务(框架核心)

· 调度器(Scheduler)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(Downloader)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twisted这个高效的异步模型上的)

· 爬虫(Spiders)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(Item)。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(Pipeline)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(Downloader Middlewares)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(Spider Middlewares)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(Scheduler 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。

#课工场案例 import scrapy class KG_class(scrapy.Spider): name = "KGs" start_urls=[ 'http://www.kgc.cn/list/230-1-6-9-9-0.shtml', ] def parse(self, response): for liss in response.css("li.course_detail"): yield {"课程":liss.css("a::text").extract_first(),} next_page=response.css("li.next a::attr('href')").extract_first() if next_page is not None: yield response.follow(next_page,self.parse)

(1)使用spider创建json文件(要求在文件目录运行)

scrapy runspider 文件名 -o 自定义文件名.json

(2)启动spider(要求在项目文件启动)

scrapy carwl 蜘蛛名

(3)创建scrapy项目(爬虫项目)

scrapy startproject 项目名

转载请注明原文地址: https://www.6miu.com/read-3650009.html

最新回复(0)