Python爬蟲基本框架運(yùn)行流程學(xué)習(xí)目標(biāo)2知識(shí)目標(biāo)●Python爬蟲通用框架●

Scrapy框架●PySpider框架能力目標(biāo)●掌握通用框架及流程●了解Scrapy框架●了解PySpider框架學(xué)習(xí)任務(wù)3初步探索Python爬蟲通用框架初步探索Scrapy框架初步探索PySpider框架掌握三大框架工作流程Python爬蟲通用框架Scrapy框架4目錄PySpider框架Python通用框架5通用爬蟲框架定義了編寫一個(gè)網(wǎng)絡(luò)爬蟲最基本的過程。一個(gè)通用的爬蟲框架通常包含待抓取的URL列表、已抓取的URL列表、URL下載器、URL解析器、數(shù)據(jù)庫等幾個(gè)模塊。根據(jù)任務(wù)的需求，還可以加入監(jiān)控模塊、定時(shí)啟動(dòng)模塊等。如圖所示，通用爬蟲框架示意圖。Python通用框架6通用框架工作流程：第一步：確定種子URL，并存入待抓取的URL列表；第二步：從待抓取的URL列表中隨機(jī)提取一個(gè)URL，發(fā)送到URL下載器；第三步：URL下載器開始下載頁面，如果下載成功，將頁面發(fā)送給URL解析器，同時(shí)把URL存入已抓取的URL列表；如果下載失敗，將URL重新存入待抓取的URL列表，重復(fù)第二步；第四步：URL解析器開始解析頁面，將獲得的新的URL存入待抓取的URL列表，同時(shí)將需要的、有價(jià)值的數(shù)據(jù)存入數(shù)據(jù)庫；第五步：重復(fù)第二至第四步，直到待抓取的URL列表為空。Scrapy框架7Scrapy是用python下的一個(gè)互聯(lián)網(wǎng)爬蟲應(yīng)用框架，它能夠爬取網(wǎng)站并抽取結(jié)構(gòu)化的數(shù)據(jù)，它也能夠使用API獲取數(shù)據(jù)。Scrapy框架中有很多實(shí)用的內(nèi)置插件和中間件，如：cookiesandsessionhandling、user-agentspoofing、robots.txt、crawldepthrestriction等，這寫插件和中間件使得Scrapy框架的實(shí)用性更強(qiáng)。Scrapy框架的示意圖如圖所示。Scrapy框架8Scrapy框架工作流程：第一步：Spiders（爬蟲）將需要發(fā)送請求的URL(requests)經(jīng)ScrapyEngine（引擎）交給Scheduler（調(diào)度器）；第二步：Scheduler（排序，入隊(duì)）處理后，經(jīng)ScrapyEngine，DownloaderMiddlewares(可選，主要有User_Agent,Proxy代理)交給Downloader；第三步：Downloader向互聯(lián)網(wǎng)發(fā)送請求，并接收下載響應(yīng)（response）。將響應(yīng)（response）經(jīng)ScrapyEngine，SpiderMiddlewares(可選)交給Spiders；第四步：Spiders處理response，提取數(shù)據(jù)并將數(shù)據(jù)經(jīng)ScrapyEngine交給ItemPipeline保存（可以是本地，可以是數(shù)據(jù)庫）。提取URL重新經(jīng)ScrapyEngine交給Scheduler進(jìn)行下一個(gè)循環(huán)。直到無URL請求程序停止結(jié)束。PySpider框架9PySpider是國人用python編寫的一個(gè)功能強(qiáng)大的網(wǎng)絡(luò)爬蟲框架。Pyspider的架構(gòu)主要分為Scheduler（調(diào)度器）、Fetcher（抓取器）、Processer（處理器）三個(gè)部分，整個(gè)爬取過程受到Monitor（監(jiān)控器）的監(jiān)控，抓取的結(jié)果被ResultWorker（結(jié)果處理器）處理。Scheduler發(fā)起任務(wù)調(diào)度，F(xiàn)etcher負(fù)責(zé)抓取網(wǎng)頁內(nèi)容，Processer負(fù)責(zé)解析網(wǎng)頁內(nèi)容，然后將新生成的Request發(fā)給Scheduler進(jìn)行調(diào)度，將生成的提取結(jié)果輸出保存。PySpider框架10PySpider框架工作流程：第一步：每個(gè)Pyspider的項(xiàng)目對應(yīng)一個(gè)Python腳本，該腳本中定義了一個(gè)Handler類，它有一個(gè)on_start()方法。爬取首先調(diào)用on_start()方法生成最初的抓取任務(wù)，然后發(fā)送給Scheduler進(jìn)行調(diào)度；第二步：Scheduler將抓取任務(wù)分發(fā)給Fetcher進(jìn)行抓取，F(xiàn)etcher執(zhí)行并得到響應(yīng)，隨后將響應(yīng)發(fā)送給Processer；第三步：Processer處理響應(yīng)并提取出新的URL生成新的抓取任務(wù)，然后通過消息隊(duì)列的方式通知Scheduler當(dāng)前抓取任務(wù)執(zhí)行情況，并將新生成的抓取任務(wù)發(fā)送給Scheduler。如果生成了新的抓取結(jié)果，則將其發(fā)送到結(jié)果隊(duì)列等待ResultWorker處理；PySpider框架11PySpider框架工作流程：第四步：Scheduler接收到新的抓取任務(wù)，然后查詢數(shù)據(jù)庫，判斷其如果是新的抓取任務(wù)或者是需要重試的任務(wù)就繼