摘要：下载器下载器负责获取页面数据并提供给引擎，而后提供给。下载器中间件下载器中间件是在引擎及下载器之间的特定钩子，处理传递给引擎的。一旦页面下载完毕，下载器生成一个该页面的，并将其通过下载中间件返回方向发送给引擎。
作者：xiaoyu
微信公众号：Python数据科学
知乎：Python数据分析师
在爬虫的路上，学习scrapy是一个必不可少的环节。也许有好多朋友此时此刻也正在接触并学习scrapy，那么很好，我们一起学习。开始接触scrapy的朋友可能会有些疑惑，毕竟是一个框架，上来不知从何学起。从本篇起，博主将开启scrapy学习的系列，分享如何快速入门scrapy并熟练使用它。
本篇作为第一篇，主要介绍和了解scrapy，在结尾会向大家推荐一本关于学习scrapy的书，以及获取的方式。
为什么要用爬虫框架？如果你对爬虫的基础知识有了一定了解的话，那么是时候该了解一下爬虫框架了。那么为什么要使用爬虫框架？
学习框架的根本是学习一种编程思想，而不应该仅仅局限于是如何使用它。从了解到掌握一种框架，其实是对一种思想理解的过程。
框架也给我们的开发带来了极大的方便。许多条条框框都已经是写好了的，并不需要我们重复造轮子，我们只需要根据自己的需求定制自己要实现的功能就好了，大大减少了工作量。
参考并学习优秀的框架代码，提升编程代码能力。
博主当时是根据这几点来进行爬虫框架的学习的，但是切记核心目标是掌握一种框架思想，一种框架的能力，掌握了这种思想你才能更好的去使用它，甚至扩展它。
scrapy框架的介绍比较流行的爬虫的框架有scrapy和pyspider，但是被大家所钟爱的我想非scrapy莫属了。scrapy是一个开源的高级爬虫框架，我们可以称它为"scrapy语言"。它使用python编写，用于爬取网页，提取结构性数据，并可将抓取得结构性数据较好的应用于数据分析和数据挖掘。scrapy有以下的一些特点：
scrapy基于事件的机制，利用twisted的设计实现了非阻塞的异步操作。这相比于传统的阻塞式请求，极大的提高了CPU的使用率，以及爬取效率。
配置简单，可以简单的通过设置一行代码实现复杂功能。
可拓展，插件丰富，比如分布式scrapy + redis、爬虫可视化等插件。
解析方便易用，scrapy封装了xpath等解析器，提供了更方便更高级的selector构造器，可有效的处理破损的HTML代码和编码。
scrapy和requests+bs用哪个好？有的朋友问了，为什么要使用scrapy，不使用不行吗？用resquests + beautifulsoup组合难道不能完成吗？
不用纠结，根据自己方便来。resquests + beautifulsoup当然可以了，requests + 任何解析器都行，都是非常好的组合。这样用的优点是我们可以灵活的写我们自己的代码，不必拘泥于固定模式。对于使用固定的框架有时候不一定用起来方便，比如scrapy对于反反爬的处理并没有很完善，好多时候也要自己来解决。
但是对于一些中小型的爬虫任务来讲，scrapy确实是非常好的选择，它避免了我们来写一些重复的代码，并且有着出色的性能。我们自己写代码的时候，比如为了提高爬取效率，每次都自己码多线程或异步等代码，大大浪费了开发时间。这时候使用已经写好的框架是再好不过的选择了，我们只要简单的写写解析规则和pipeline就好了。那么具体哪些是需要我们做的呢？看看下面这个图就明白了。
参考来源在本文末
因此，对于该用哪个，根据个人需求和喜好决定。但是至于学习的先后顺序，博主建议先学学resquests + beautifulsoup，然后再接触Scrapy效果可能会更好些，仅供参考。
scrapy的架构在学习Scrapy之前，我们需要了解Scrapy的架构，明白这个架构对学习scrapy至关重要。
Scrapy官方文档的图片
下面的描述引自官方doc文档（在此引用），讲的很清楚明白，对照这个图看就能明白。
组件Scrapy Engine
引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分。
调度器(Scheduler)
调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。
下载器(Downloader)
下载器负责获取页面数据并提供给引擎，而后提供给spider。
Spiders
Spider是Scrapy用户编写用于分析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。
Item Pipeline
Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库中)。
下载器中间件(Downloader middlewares)
下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
Spider中间件(Spider middlewares)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
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。
scrapy学习参考下面博主列出两个学习scrapy的参考资料。
第一个当然不用说了，scrapy的官方文档，写的很好，很详细。链接：https://doc.scrapy.org/en/lat...
第二个是一本关于scrapy的书籍，《learning scrapy》。可以通过在公众号发送 "scrapy"来获得。
参考：
https://doc.scrapy.org/en/lat...
https://www.cnblogs.com/x-pyu...
关注微信公众号Python数据科学，获取 120G 人工智能 学习资料。
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/44625.html
摘要：时间永远都过得那么快，一晃从年注册，到现在已经过去了年那些被我藏在收藏夹吃灰的文章，已经太多了，是时候把他们整理一下了。那是因为收藏夹太乱，橡皮擦给设置私密了，不收拾不好看呀。 ...
摘要：楚江数据是专业的互联网数据技术服务，现整理出零基础如何学爬虫技术以供学习，。本文来源知乎作者路人甲链接楚江数据提供网站数据采集和爬虫软件定制开发服务，服务范围涵盖社交网络电子商务分类信息学术研究等。 楚江数据是专业的互联网数据技术服务，现整理出零基础如何学爬虫技术以供学习，http://www.chujiangdata.com。 第一：Python爬虫学习系列教程（来源于某博主：htt...
摘要：数据分析实战北京二手房房价分析数据分析实战北京二手房房价分析建模篇除了数据分析，好多朋友也对爬虫特别感兴趣，想知道爬虫部分是如何实现的。爬取目标是北京二手房，仅针对一个城市而言，数据量并不大。 作者：xiaoyu 微信公众号：Python数据科学 知乎：python数据分析师 showImg(https://segmentfault.com/img/remote/1460000016...
摘要：今天给大家带来三万粉丝三大语言学习路线和资源整理，收藏就对了。还有对数组面向对象和异常处理等。语言学习路线一基础阶段技能树掌握脚本界面编程能力数据库基本爬虫多线程多进程开发能力，可以胜任基本的开发工作。 大家好，我是辣条。 今天给大家带来三万粉丝三大语言学习路线和资源整理，收藏就对了。 目录...
阅读 2331·2021-11-18 10:02
阅读 1553·2021-11-16 11:44
阅读 2129·2021-09-30 09:47
阅读 1468·2021-09-27 14:01
阅读 2941·2021-08-16 11:00
阅读 3061·2019-08-30 11:06
阅读 2295·2019-08-29 17:29
阅读 1371·2019-08-29 13:19
