python
来源:互联网 发布:淘宝克隆别人店铺宝贝 编辑:程序博客网 时间:2024/06/05 19:49
1. 整体架构以及工作流程
1.1 整体架构
- 引擎(Scrapy Engine),用来处理整个系统的数据流处理,触发事务。
- 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。
- 下载器(Downloader),用于下载网页内容,并将网页内容返回给蜘蛛。
- 蜘蛛(Spiders),蜘蛛是主要干活的,用它来制订特定域名或网页的解析规则。编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。
- 项目管道(Item Pipeline),负责处理有蜘蛛从网页中抽取的项目,他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后,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钩子框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
- 蜘蛛中间件(Spider Middlewares),介于Scrapy引擎和蜘蛛之间的钩子框架,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 Middlewares),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。
1.2 工作流程
绿线是数据流向,首先从初始URL开始,Scheduler会将其交给Downloader进行下载,下载之后会交给Spider进行分析,Spider分析出来的结果有两种:一种是需要进一步抓取的链接,例如之前分析的“下一页”的链接,这些东西会被传回Scheduler;另一种是需要保存的数据,它们则被送到Item Pipeline那里,那是对数据进行后期处理(详细分析、过滤、存储等)的地方。另外,在数据流动的通道里还可以安装各种中间件,进行必要的处理
1.3 数据流向
- 引擎打开一个网站(open a domain),找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
- 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
- 引擎向调度器请求下一个要爬取的URL。
- 调度器返回下一个要爬取的URL给引擎,引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
- 一旦页面下载完毕,下载器生成一个该页面的Response,并将其通过下载中间件(返回(response)方向)发送给引擎。
- 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
- Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
- 引擎将(Spider返回的)爬取到的Item给Item Pipeline,将(Spider返回的)Request给调度器。
- (从第二步)重复直到调度器中没有更多地request,引擎关闭该网站。
基础实例教程
官方文档
win10 conda 安装
2. 图片类 - ImagesPipeline
class Win4000MeinvPipeline(ImagesPipeline): #重写ImagesPipeline get_media_requests方法 def get_media_requests(self, item, info): # 得到图片的URL并从项目中下载 yield scrapy.Request(item['image_urls'], meta={'item' : item}) #重写ImagesPipeline item_completed方法 def item_completed(self, results, item, info): # 一个单独项目中的所有图片请求完成时,该方法被调用 image_paths = [x['path'] for ok, x in results if ok] if not image_paths: raise DropItem("Item contains no images") return item # 重写ImagesPipeline file_path方法 def file_path(self, request, response=None, info=None): # 设置自己的path item = request.meta['item'] image_uuid = str(uuid.uuid1()).replace('-','') image_name = 'full/{0[classify_name]}/{0[meinv_name]}/{1}'.format(item, image_uuid) item['image_path'] = image_name return image_name
3. 普通类 - MongoPipeline
class MongoPipeline(object): def __init__(self, mongo_url, mongo_db): self.mongo_url = mongo_url self.mongo_db = mongo_db # 从settings里面拿出来一些配置信息 @classmethod def from_crawler(cls, crawler): # cls是type的实例, self是cls的实例 return cls( mongo_url = crawler.settings.get('MONGO_URL'), mongo_db = crawler.settings.get('MONGO_DB') ) # 爬虫刚要启动的时候进行的一些操作 def open_spider(self, spider): self.client = pymongo.MongoClient(self.mongo_url) self.db = self.client[self.mongo_db] # 插入 def process_item(self, item, spider): name = item.__class__.__name__ self.db[name].insert(dict(item)) return item # close def close_spider(self, spider): self.client.close()
阅读全文
0 0
- Python
- Python
- Python
- python
- Python
- PYTHON
- Python
- Python
- Python
- Python
- Python
- Python
- Python
- Python
- Python
- Python
- python
- Python
- 写在SVM之前——凸优化与对偶问题
- h5开发:IOS开发与H5混合开发常见的坑
- 50条大牛C++编程开发学习建议
- 项目管理
- 关于unicode,mbcs,utf8,charset,encoding等相关概念的说明
- python
- Spring中基于Java的配置@Configuration和@Bean用法
- Map对象深拷贝
- jvm 内存模型及实践
- C++实现树的基本操作,界面友好,操作方便,运行流畅,运用模板
- mui.openwindow的autoshow和anishow异常
- 在线选坐代码
- 桥梁模式 Bridge Patter
- codeforces 773A Success Rate 二分