python

1. 整体架构以及工作流程

1.1 整体架构

1. 引擎(Scrapy Engine)，用来处理整个系统的数据流处理，触发事务。
2. 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。
3. 下载器(Downloader)，用于下载网页内容，并将网页内容返回给蜘蛛。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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

1. 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)。
2. 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。
3. 引擎向调度器请求下一个要爬取的URL。
4. 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)。
5. 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。
6. 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。
7. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8. 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。
9. (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()