Python爬蟲之Scrapy學習（基礎篇）

作者：xiaoyu

微信公眾號：Python數據科學

知乎：https://zhuanlan.zhihu.com/py...

在爬蟲的路上，學習scrapy是一個必不可少的環節。也許有好多朋友此時此刻也正在接觸並學習scrapy，那麼很好，我們一起學習。開始接觸scrapy的朋友可能會有些疑惑，畢竟是一個框架，上來不知從何學起。從本篇起，博主將開啟scrapy學習的系列，分享如何快速入門scrapy並熟練使用它。

本篇作為第一篇，主要介紹和了解scrapy，在結尾會向大家推薦一本關於學習scrapy的書，以及獲取的方式。

為什麼要用爬蟲框架？

如果你對爬蟲的基礎知識有了一定了解的話，那麼是時候該了解一下爬蟲框架了。那麼為什麼要使用爬蟲框架？

• 學習編程思想：學習框架的根本是學習一種編程思想，而不應該僅僅局限於是如何使用它。從了解到掌握一種框架，其實是對一種思想理解的過程。
• 開發方便：框架也給我們的開發帶來了極大的方便。許多條條框框都已經是寫好了的，並不需要我們重複造輪子，我們只需要根據自己的需求定製自己要實現的功能就好了，大大減少了工作量。
• 提升編程能力：參考並學習優秀的框架代碼，提升編程代碼能力。

博主當時是根據這幾點來進行爬蟲框架的學習的，切記核心目標是掌握一種框架思想，一種框架的能力，掌握了這種思想你才能更好的去使用它，甚至擴展它。

scrapy的介紹

比較流行的爬蟲的框架有scrapy和pyspider，但是被大家所鍾愛的我想非scrapy莫屬了。scrapy是一個開源的高級爬蟲框架，我們可以稱它為"scrapy語言"。它使用python編寫，用於爬取網頁，提取結構性數據，並可將抓取得結構性數據較好的應用於數據分析和數據挖掘。scrapy有以下的一些特點：

• scrapy基於事件的機制，利用twisted的設計實現了非阻塞的非同步操作。這相比於傳統的阻塞式請求，極大的提高了CPU的使用率，以及爬取效率。
• 配置簡單，可以簡單的通過設置一行代碼實現複雜功能。
• 可拓展，插件豐富，比如分散式scrapy + redis、爬蟲可視化等插件。
• 解析方便易用，scrapy封裝了xpath等解析器，提供了更方便更高級的selector構造器，可有效的處理破損的HTML代碼和編碼。

scrapy和requests+bs用哪個好？

有的朋友問了，為什麼要使用scrapy，不使用不行嗎？用resquests + beautifulsoup組合難道不能完成嗎？

不用糾結，根據自己方便來。resquests + beautifulsoup當然可以了，requests + 任何解析器都行，都是非常好的組合。這樣用的優點是我們可以靈活的寫我們自己的代碼，不必拘泥於固定模式。對於使用固定的框架有時候不一定用起來方便，比如scrapy對於反反爬的處理並沒有很完善，好多時候也要自己來解決。

但是對於一些中小型的爬蟲任務來講，Scrapy確實是非常好的選擇，它避免了我們來寫一些重複的代碼，並且有著出色的性能。我們自己寫代碼的時候，比如為了提高爬取效率，每次都自己碼多線程或非同步等代碼，大大浪費了開發時間。這時候使用已經寫好的框架是再好不過的選擇了，我們只要簡單的寫寫解析規則和pipeline等就好了。那麼具體哪些是需要我們做的呢？看看下面這個圖就明白了。

因此，對於該用哪個，根據個人需求和喜好決定。但是至於學習的先後順序，博主建議先學學resquests + beautifulsoup，然後再接觸Scrapy效果可能會更好些，僅供參考。

scrapy的架構

在學習Scrapy之前，我們需要了解Scrapy的架構，明白這個架構對學習scrapy至關重要。

下面的描述引自官方doc文檔（在此引用），講的很清楚明白，對照這個圖看就能明白。

組件

Scrapy Engine

引擎負責控制數據流在系統中所有組件中流動，並在相應動作發生時觸發事件。 詳細內容查看下面的數據流(Data Flow)部分。

調度器(Scheduler)

調度器從引擎接受request並將他們入隊，以便之後引擎請求他們時提供給引擎。

下載器(Downloader)

下載器負責獲取頁面數據並提供給引擎，而後提供給spider。

Spiders

Spider是Scrapy用戶編寫用於分析response並提取item(即獲取到的item)或額外跟進的URL的類。 每個spider負責處理一個特定(或一些)網站。

Item Pipeline

Item Pipeline負責處理被spider提取出來的item。典型的處理有清理、 驗證及持久化(例如存取到資料庫中)。

下載器中間件(Downloader middlewares)

下載器中間件是在引擎及下載器之間的特定鉤子(specific hook)，處理Downloader傳遞給引擎的response。 其提供了一個簡便的機制，通過插入自定義代碼來擴展Scrapy功能。

Spider中間件(Spider middlewares)

Spider中間件是在引擎及Spider之間的特定鉤子(specific hook)，處理spider的輸入(response)和輸出(items及requests)。 其提供了一個簡便的機制，通過插入自定義代碼來擴展Scrapy功能。

數據流過程

1. 引擎打開一個網站(open a domain)，找到處理該網站的Spider並向該spider請求第一個要爬取的URL(s)。
2. 引擎從Spider中獲取到第一個要爬取的URL並在調度器(Scheduler)以Request調度。
3. 引擎向調度器請求下一個要爬取的URL。
4. 調度器返回下一個要爬取的URL給引擎，引擎將URL通過下載中間件(請求(request)方向)轉發給下載器(Downloader)。
5. 一旦頁面下載完畢，下載器生成一個該頁面的Response，並將其通過下載中間件(返回(response)方向)發送給引擎。
6. 引擎從下載器中接收到Response並通過Spider中間件(輸入方向)發送給Spider處理。
7. Spider處理Response並返回爬取到的Item及(跟進的)新的Request給引擎。
8. 引擎將(Spider返回的)爬取到的Item給Item Pipeline，將(Spider返回的)Request給調度器。
9. (從第二步)重複直到調度器中沒有更多地request，引擎關閉該網站。

scrapy學習參考

下面博主列出兩個學習scrapy的參考資料。

• 第一個當然不用說了，scrapy的官方文檔，寫的很好，很詳細。鏈接：https://doc.scrapy.org/en/latest/index.html
• 第二個是一本關於scrapy的書籍，《learning scrapy》。可以通過在公眾號發送"scrapy"來獲得。

覺得好就點個贊吧！

可以關注微信公眾號Python數據科學，帶你走進數據的世界。