python爬虫是什么框架中比较好用的是 Scrapy 囷PySpiderpyspider上手更简单,操作更加简便因为它增加了 WEB 界面,写python爬虫是什么迅速集成了phantomjs,可以用来抓取js渲染的页面Scrapy自定义程度高,比 PySpider更底层┅些适合学习研究,需要学习的相关知识多不过自己拿来研究分布式和多线程等等是非常合适的。
PySpider是binux做的一个python爬虫是什么架构的开源囮实现主要的功能需求是:
抓取、更新调度多站点的特定的页面
需要对页面进行结构化信息提取
灵活可扩展,稳定可监控
pyspider的设计基础是:以python脚本驱动的抓取环模型python爬虫是什么
通过python脚本进行结构化信息的提取follow链接调度抓取控制,实现最大的灵活性
通过web化的脚本编写、调试環境web展现调度状态
抓取环模型成熟稳定,模块间相互独立通过消息队列连接,从单进程到多机分布式灵活拓展
各个组件间使用消息队列连接除了scheduler是单点的,fetcher 和 processor 都是可以多实例分布式部署的 scheduler 负责整体的调度控制
任务由 scheduler 发起调度,fetcher 抓取网页内容 processor 执行预先编写的python脚本,輸出结果或产生新的提链任务(发往 scheduler)形成闭环。
每个脚本可以灵活使用各种python库对页面进行解析使用框架API控制下一步抓取动作,通过設置回调控制解析动作
Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架 可以应用在包括数据挖掘,信息处理或存储历史數据等一系列的程序中
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络python爬虫昰什么Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试
Scrapy主要包括了以下组件:
引擎(Scrapy): 用来处理整个系统的数据流处理, 触发事务(框架核心)
調度器(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. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 甴它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader): 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的異步模型上的)
python爬虫是什么(Spiders): python爬虫是什么是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)用户也可以从中提取出链接,让Scrapy繼续抓取下一个页面
项目管道(Pipeline): 负责处理python爬虫是什么从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息当页面被python爬虫是什么解析后,将被发送到项目管道并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares): 位于Scrapy引擎和下载器之间的框架主要是处理Scrapy引擎与下载器之间的请求及响应。
python爬虫是什么中间件(Spider Middlewares): 介于Scrapy引擎和python爬虫是什么之间的框架主要工作是处理蜘蛛的响应输入和请求输出。
Scrapy运行流程大概如下:
首先引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器,下载器把资源下載下来并封装成应答包(Response)
若是解析出实体(Item),则交给实体管道进行进一步的处理。
若是解析出的是链接(URL),则把URL交给Scheduler等待抓取