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。 其可以应用在数据挖掘，信息处理或存储历史数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 ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。其架构如下
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, 触发事务(框架核心)
- 调度器(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, 由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这个高效的异步模型上的)
- 爬虫(Spiders)
- 爬虫是主要干活的, 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继续抓取下一个页面
- 项目管道(Pipeline)
- 负责处理爬虫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。当页面被爬虫解析后，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。
- 爬虫中间件(Spider Middlewares)
- 介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
- 调度中间件(Scheduler Middewares)
- 介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。
- 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
- 下载器把资源下载下来，并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体（Item）,则交给实体管道进行进一步的处理
- 解析出的是链接（URL）,则把URL交给调度器等待抓取
- scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
- items.py 设置数据存储模板，用于结构化数据，如：Django的Model
- pipelines 数据处理行为，如：一般结构化的数据持久化
- settings.py 配置文件，如：递归的层数、并发数，延迟下载等
- spiders 爬虫目录，如：创建文件，编写爬虫规则
scrapy genspider mydomain mydomain.com
$ scrapy crawl myspider
$ scrapy check -l
$ scrapy list
$ scrapy edit spider1
- 语法:
scrapy fetch <url>
- 语法:
scrapy view <url>
在浏览器中打开给定的URL，并以Scrapy spider获取到的形式展现。 有些时候spider获取到的页面和普通用户看到的并不相同。 因此该命令可以用来检查spider所获取到的页面，并确认这是您所期望的。
$ scrapy shell http://www.example.com/some/page.html
- 语法:
scrapy parse <url> [options]
- 获取给定的URL并使用相应的spider分析处理。如果您提供
--callback选项，则使用spider的该方法处理，否则使用parse。
--spider=SPIDER: 跳过自动检测spider并强制使用特定的spider
--a NAME=VALUE: 设置spider的参数(可能被重复)
--callbackor-c: spider中用于解析返回(response)的回调函数
--pipelines: 在pipeline中处理item
--rulesor-r: 使用CrawlSpider规则来发现用来解析返回(response)的回调函数
--noitems: 不显示爬取到的item
--nolinks: 不显示提取到的链接
--nocolour: 避免使用pygments对输出着色
--depthor-d: 指定跟进链接请求的层次数(默认: 1)
--verboseor-v: 显示每个请求的详细信息
- 语法:
scrapy settings [options]
scrapybot
$ scrapy settings --get DOWNLOAD_DELAY0
- 在未创建项目的情况下，运行一个编写在Python文件中的spider。
- 语法:
scrapy runspider <spider_file.py>
version：
- 语法:
scrapy version [-v]
- 输出Scrapy版本。配合
-v运行时，该命令同时输出Python, Twisted以及平台的信息，方便bug提交。
- 将项目部署到Scrapyd服务。查看 部署您的项目 。
- 语法:
scrapy deploy [ <target:project> | -l <target> | -L ]
- 运行benchmark测试。 Benchmarking 。
- 语法:
scrapy bench
Scrapy运行流程大概如下：
文件说明：
注意：一般创建爬虫文件时，以网站域名命名
scrapy命令行：
全局命令
项目命令
1、创建爬虫工程的命令
2、控制项目创建一个spider
您可以在您的项目中使用 scrapy 工具来对其进行控制和管理。
比如，创建一个新的spider:
3、使用爬虫进行爬去
4、进行contract检查
5、列出当前项目中所有可用的spider。每行输出一个spider
6、使用 EDITOR 中设定的编辑器编辑给定的spider
7、使用Scrapy下载器(downloader)下载给定的URL，并将获取到的内容送到标准输出。
该命令以spider下载页面的方式获取页面。例如，如果spider有 USER_AGENT 属性修改了 User Agent，该命令将会使用该属性。
因此，您可以使用该命令来查看spider如何获取某个特定页面。
该命令如果非项目中运行则会使用默认Scrapy downloader设定。
8、在浏览器中打开给定的URL
9、shell命令
在spider的开发调试过程总，shell命令可以通过交互的方式进行调试，非常方便。
以给定的URL(如果给出)或者空(没有给出URL)启动Scrapy shell。 查看 Scrapy终端(Scrapy shell) 获取更多信息。
10、parse命令
支持的选项:
11、settings
-
获取Scrapy的设定
在项目中运行时，该命令将会输出项目的设定值，否则输出Scrapy默认设定。
12、runspider
13、其他命令
14、自定义项目命令
可以通过 COMMANDS_MODULE 来添加您自己的项目命令。您可以以 scrapy/commands 中Scrapy commands为例来了解如何实现您的命令。
Default: '' (empty string)
用于查找添加自定义Scrapy命令的模块。