scrapy结构图：

　　scrapy组件：

 

　　ENGINE：引擎，框架的核心，其它所有组件在其控制下协同工作。

 

　　SCHEDULER：调度器，负责对SPIDER提交的下载请求进行调度。

 

　　DOWNLOADER：下载器，负责下载页面（发送HTTP请求/接收HTTP响应）。

 

　　SPIDER：爬虫，负责提取页面中的数据，并产生对新页面的下载请求。

 

　　MIDDLEWARE：中间件，负责对Request对象和Response对象进行处理。

 

　　ITEMPIPELINE：数据管道，负责对爬取到的数据进行处理。

 

　　对于用户来说，Spider是最核心的组件，Scrapy爬虫开发是围绕实现Spider展开的。

 

　　框架中的数据流：

 

　　REQUEST：scrapy中的HTTP请求对象。

 

　　RESPONSE：scrapy中的HTTP响应对象。

 

　　ITEM：从页面中爬取的一项数据。

 

　　Request和Response是HTTP协议中的术语，即HTTP请求和HTTP响应，Scrapy框架中定义了相应的Request和Response类，这里的Item代表Spider从页面中爬取的一项数据。

 

　　scrapy大致工作流程：

 

　　当SPIDER要爬取某URL地址的页面时，需使用该URL构造一个Request对象，提交给ENGINE。

 

　　ENGINE将Request对象传给SCHEDULER，SCHEDULER对URL进行去重，按某种算法进行排队，之后的某个时刻SCHEDULER将其出队，将处理好的Request对象返回给ENGINE。

 

　　ENGINE将SCHEDULER处理后的Request对象发送给DOWNLOADER下载页面。

 

　　DOWNLOADER根据MIDDLEWARE的规则，使用Request对象中的URL地址发送一次HTTP请求到网站服务器，之后用服务器返回的HTTP响应构造出一个Response对象，其中包含页面的HTML文本。DOWNLOADER将结果Resopnse对象传给ENGINE。

 

　　ENGINE将Response对象发送给SPIDER的页面解析函数（构造Request对象时指定）进行处理，页面解析函数从页面中提取数据，封装成Item后提交给ENGINE。

 

　　ENGINE将Item送往ITEMPIPELINES进行处理，最终以某种数据格式写入文件（csv，json）或者存储到数据库中。

 

　　整个流程的核心都是围绕着ENGINE进行的。

 

　　Request对象

 

　　Request对象用来描述一个HTTP请求，下面是其构造器方法的参数列表。

 

　　Request(url,callback=None,method='GET',headers=None,body=None,

 

　　cookies=None,meta=None,encoding='utf-8',priority=0,

 

　　dont_filter=False,errback=None,flags=None)

 

　　#url（必选）：请求页面的url地址，bytes或str类型，如'http://www.baidu.com'。

 

　　#callback:页面解析函数，Callable类型，Request对象请求的页面下载完成后，由该参数指定的页面解析函数被调用。如果未传递该参数，默认调用Spider的parse方法。

 

　　#method：HTTP请求的方法，默认为'GET'。

 

　　#headers：HTTP请求的头部字典，dict类型，例如{'Accept':'text/html','User-Agent':Mozilla/5.0'}。如果其中某项的值为None，就表示不发送该项HTTP头部，例如{'Cookie':None}，禁止发送Cookie。

 

　　#body：HTTP请求的正文，bytes或str类型。

 

　　#cookies：Cookie信息字典，dict类型，例如{'currency':'USD','country':'UY'}。

 

　　#meta：Request的元数据字典，dict类型，用于给框架中其他组件传递信息，比如中间件ItemPipeline。其他组件可以使用Request对象的meta属性访问该元数据字典（request.meta），也用于给响应处理函数传递信息，

 

　　#详见Response的meta属性。

 

　　#encoding：url和body参数的编码默认为'utf-8'。如果传入的url或body参数是str类型，就使用该参数进行编码。

 

　　#priority：请求的优先级默认值为0，优先级高的请求优先下载。

 

　　#dont_filter：默认情况下（dont_filter=False），对同一个url地址多次提交下载请求，后面的请求会被去重过滤器过滤（避免重复下载）。如果将该参数置为True，可以使请求避免被过滤，强制下载。例如，在多次爬取

 

　　#一个内容随时间而变化的页面时（每次使用相同的url），可以将该参数置为True。

 

　　#errback：请求出现异常或者出现HTTP错误时（如404页面不存在）的回调函数。

 

　　虽然参数很多，但除了url参数外，其他都带有默认值。在构造Request对象时，通常我们只需传递一个url参数或再加一个callback参数，其他使用默认值即可。

 

　　Response对象：

 

　　Response对象用来描述一个HTTP响应，Response只是一个基类，根据响应内容的不同有如下子类：

 

　　TextResponse

 

　　HtmlResponse

 

　　XmlResponse

 

　　当一个页面下载完成时，下载器依据HTTP响应头部中的Content-Type信息创建某个Response的子类对象。我们通常爬取的网页，其内容是HTML文本，创建的便是HtmlResponse对象，其中HtmlResponse和XmlResponse是TextResponse的子类。实际上，这3个子类只有细微的差别，这里以HtmlResponse为例进行讲解。

 

　　下面是HtmlResponse对象的属性及方法。

 

　　url：HTTP响应的url地址，str类型。

 

　　status：HTTP响应的状态码，int类型，例如200，404。

 

　　headers：HTTP响应的头头部，类字典类型，可以调用get或getlist方法对其进行访问，例如：response.headers.get('Content-Type')response.headers.getlist('Set-Cookie')

 

　　body：HTTP响应正文，bytes类型。

 

　　text：文本形式的HTTP响应正文，str类型，它是由response.body使用response.encoding解码得到的，即reponse.text=response.body.decode(response.encoding)

 

　　encoding：HTTP响应正文的编码，它的值可能是从HTTP响应头部或正文中解析出来的。

 

　　request：产生该HTTP响应的Request对象。

 

　　meta：即response.request.meta，在构造Request对象时，可将要传递给响应处理函数的信息通过meta参数传入；响应处理函数处理响应时，通过response.meta将信息取出。

 

　　selector：Selector对象用于在Response中提取数据。

 

　　xpath(query)：使用XPath选择器在Response中提取数据，实际上它是response.selector.xpath方法的快捷方式。

 

　　css(query)：使用CSS选择器在Response中提取数据，实际上它是response.selector.css方法的快捷方式。

 

　　urljoin（url）：用于构造绝对url。当传入的url参数是一个相对地址时，根据response.url计算出相应的绝对url。例如：

 

　　response.url为http://www.example.com/a，url为b/index.html，调用response.urljoin(url)的结果为http://www.example.com/a/b/index.html。

 

　　虽然HtmlResponse对象有很多属性，但最常用的是以下的3个方法：

 

　　xpath(query)

 

　　css(query)

 

　　urljoin(url)

 

　　前两个方法用于提取数据，后一个方法用于构造绝对url。

 

　　spied开发流程

 

　　实现一个Spider子类的过程很像是完成一系列填空题，Scrapy框架提出以下问题让用户在Spider子类中作答：

 

　　爬虫从哪个或哪些页面开始爬取？

 

　　对于一个已下载的页面，提取其中的哪些数据？

 

　　爬取完当前页面后，接下来爬取哪个或哪些页面？

 

　　实现一个Spider只需要完成下面4个步骤：

 

　　继承scrapy.Spider。

 

　　为Spider取名。

 

　　设定起始爬取点。

 

　　实现页面解析函数。

 

　　scrapy.Spider基类实现了以下内容:

 

　　供Scrapy引擎调用的接口，例如用来创建Spider实例的类方法from_crawler。

 

　　供用户使用的实用工具函数，例如可以调用log方法将调试信息输出到日志。

 

　　供用户访问的属性，例如可以通过settings属性访问配置文件中的配置。

 

　　关于起始URLstart_urls：

 

　　start_urls通常被实现成一个列表，其中放入所有起始爬取点的url（例子中只有一个起始点）。看到这里，大家可能会想，请求页面下载不是一定要提交Request对象么？而我们仅定义了url列表，是谁

 

　　暗中构造并提交了相应的Request对象呢？

 

　　我们将起始URL提交给ENGINE。

 

　　ENGINE调用start_requests方法，我们没有实现整个方法，所以调用了基类的start_requests方法。

 

　　通过阅读Spider基类的源码可以看到如下内容：

 

　　基类的start_requests将我们的URL封装成Request对象。

 

　　由此我们知道Request对象是调用基类start_requests方法产生的，因此我们也可以自己定义start_requests方法（覆盖基类Spider的start_requests方法），直接构造并提交起始爬取点的Request对象。在某些场景下使用这种方式更加灵活，例如有时想为Request添加特定的HTTP请求头部，或想为Request指定特定的页面解析函数。

 

　　页面解析函数parse:

 

　　页面解析函数也就是构造Request对象时通过callback参数指定的回调函数（或默认的parse方法）。页面解析函数是实现Spider中最核心的部分，它需要完成以下两项工作：

 

　　使用选择器提取页面中的数据，将数据封装后（Item或字典）提交给Scrapy引擎。

 

　　使用选择器或LinkExtractor提取页面中的链接，用其构造新的Request对象并提交给Scrapy引擎（下载链接页面）。

 

　　一个页面中可能包含多项数据以及多个链接，因此页面解析函数被要求返回一个可迭代对象（通常被实现成一个生成器函数），每次迭代返回一项数据（Item或字典）或一个Request对象。

 

　　内容小结：

 

　　了解scrapy的六个组件的功能。

 

　　理解scrapy工作流程。