当前位置： 首页 > article >正文

【Python爬虫实战】深入解析 Scrapy：从阻塞与非阻塞到高效爬取的实战指南

article 2024/11/30 15:28:24

  🌈个人主页：易辰君-CSDN博客
🔥 系列专栏：https://blog.csdn.net/2401_86688088/category_12797772.html

​

目录

前言

一、阻塞和非阻塞

（一）阻塞

（二）非阻塞

二、Scrapy的工作流程

三、Scrapy每个模块的具体作用

（一）Engine引擎

（二）Scheduler调度器

（三）Downloader下载器

（四）Spider爬虫

（五）Item Pipeline数据管道

（六）Downloader Middlewares下载中间件

（七）Spider Middlewares爬虫中间件

（八）Extensions扩展

（九）Item数据对象

（十）Signals信号

四、Scrapy的入门使用

（一）安装 Scrapy

（二）创建 Scrapy 项目

（三）编写爬虫

（四）运行爬虫

（五）保存数据

（六）常见配置修改

（七）调试与扩展

五、总结

前言

在大数据时代，网络爬虫成为获取信息的重要工具，而 Scrapy 是其中的佼佼者。作为一个功能强大且高效的 Python 爬虫框架，它不仅支持复杂的网页抓取，还能通过非阻塞的异步机制极大提升爬取性能。然而，许多人在初学时常常被阻塞与非阻塞的概念以及 Scrapy 的模块化设计弄得一头雾水。这篇文章将从基础的阻塞与非阻塞概念出发，逐步深入解析 Scrapy 的工作流程和模块作用，最后通过一个完整的入门实例，帮助你快速掌握这款高效爬虫框架。

一、阻塞和非阻塞

在学习 Scrapy 时，理解阻塞和非阻塞是非常重要的，这直接影响到爬虫的性能和并发能力。

（一）阻塞

阻塞是指代码在执行某个操作时，会等待这个操作完成后，才会继续执行后续的代码。

  • 特点：代码会暂停，直到当前任务完成，其他任务会因此被延迟。

  • 缺点：在网络爬虫中，阻塞的网络请求会降低效率。例如，如果某个请求需要 2 秒才能返回数据，这 2 秒内程序不能做其他任何事情。

示例：

import time

def blocking_example():
    print("任务开始")
    time.sleep(2)  # 模拟阻塞操作
    print("任务完成")

blocking_example()

输出：

任务开始
（等待2秒）
任务完成

在爬虫中，如果你使用了阻塞的网络请求库（例如 requests），程序会等待每个请求完成后才继续处理下一个请求。

（二）非阻塞

非阻塞是指代码不会等待某个操作完成，而是直接继续执行其他代码。

  • 特点：异步任务可以被调度，程序不会因单个任务的延迟而停滞。

  • 优点：在 Scrapy 中，非阻塞机制允许同时发出多个网络请求，大幅提高爬取速度。

异步调用示例：

import asyncio

async def non_blocking_example():
    print("任务开始")
    await asyncio.sleep(2)  # 模拟非阻塞操作
    print("任务完成")

asyncio.run(non_blocking_example())

输出：

任务开始
（任务等待中，但主线程未阻塞）
任务完成

在爬虫中，Scrapy 利用了 Twisted 框架的异步特性来管理非阻塞 I/O，使得多个请求可以同时进行。

二、Scrapy的工作流程

Scrapy 的工作流程可以分为以下关键步骤，每个步骤紧密配合以实现高效的爬取和解析：

  • 引擎启动
    Scrapy 引擎负责协调各个模块的工作，包括调度器、下载器和爬虫代码。它是 Scrapy 的核心。

  • 调度器调度请求
    引擎将初始的请求发送给调度器。调度器按优先级对请求进行排序，并将它们排队等待执行。

  • 下载器下载页面
    调度器将请求发送给下载器，下载器负责根据请求的 URL 抓取对应的网页内容。

  • 爬虫处理响应
    下载的页面内容被传回引擎，并交给爬虫的回调函数（如 parse 方法）进行处理。爬虫提取所需数据并生成新的请求（递归爬取）。

  • 解析与提取

    • 提取到的数据会被交给 Item Pipeline 进一步清洗、验证和存储，如存入数据库或文件。

    • 中间件在请求和响应过程中允许对内容进行额外处理，如添加 headers、代理、错误处理等。

  • 循环重复
    生成的新请求再次交给调度器，重复上述流程，直到所有请求完成。

工作流程总结：

  1. 爬虫将初始请求发送给引擎。

  2. 引擎将请求传递给调度器。

  3. 调度器按优先级将请求发送给引擎。

  4. 引擎将请求传递给下载器。

  5. 下载器获取网页内容并返回响应。

  6. 引擎将响应发送给爬虫。

  7. 爬虫解析响应，生成数据和新的请求。

  8. 数据经过管道处理后存储，新的请求被传回调度器。

三、Scrapy每个模块的具体作用

Scrapy 是一个流行的 Python 爬虫框架，由多个模块组成，各模块协同工作以实现高效的数据抓取和处理。以下是 Scrapy 中各模块的具体作用：

（一）Engine引擎

  • 作用：

    • Scrapy 的核心模块，负责协调其他组件之间的工作流。

    • 它根据预定义的爬取规则控制数据流在框架内的流转，包括调度器、下载器、爬虫以及管道之间的交互。

  • 主要职责：

    • 处理调度器队列中的请求。

    • 将请求发送到下载器。

    • 接收下载器的响应并将其传递给爬虫。

    • 从爬虫中获取新的请求或 Item 并传递给相应组件。

（二）Scheduler调度器

  • 作用：

    • 用于管理请求队列。

    • 确保请求的优先级和去重，避免重复抓取相同的 URL。

  • 主要职责：

    • 接收引擎发来的请求。

    • 按照优先级对请求进行排序。

    • 将下一个请求交回给引擎。

（三）Downloader下载器

  • 作用：

    • 负责将调度器传来的请求发送到目标网站并获取网页内容。

  • 主要职责：

    • 执行 HTTP/HTTPS 请求。

    • 处理网络请求相关的中间件（如代理、用户代理设置）。

    • 返回网站响应（如 HTML、JSON 数据）。

（四）Spider爬虫

  • 作用：

    • 用户定义爬取逻辑的核心模块。

    • 从下载器传递的响应中提取所需的数据和后续需要爬取的 URL。

  • 主要职责：

    • 编写爬取规则（解析页面，提取数据，生成新的请求）。

    • 将提取的数据传递给 Item Pipeline 或调度器。

（五）Item Pipeline数据管道

  • 作用：

    • 用于对提取到的数据进行进一步处理（清理、验证、存储）。

  • 主要职责：

    • 接收 Spider 提取的数据（Item）。

    • 对数据进行清洗、去重、校验。

    • 存储数据到数据库、文件或其他目标位置。

（六）Downloader Middlewares下载中间件

  • 作用：

    • 位于引擎与下载器之间，用于对请求和响应进行处理。

    • 常用于修改请求头、设置代理、处理验证码等功能。

  • 主要职责：

    • 对即将发送的请求进行修改。

    • 对下载后的响应进行预处理。

（七）Spider Middlewares爬虫中间件

  • 作用：

    • 位于引擎和 Spider 之间，用于对 Spider 的输入和输出数据进行处理。

  • 主要职责：

    • 过滤、修改或扩展 Spider 输入的响应。

    • 处理 Spider 输出的请求或 Item。

（八）Extensions扩展

  • 作用：

    • 用于提供额外功能，例如日志记录、性能监控、信号处理等。

  • 主要职责：

    • 扩展 Scrapy 功能，例如设置超时重试、统计抓取进度等。

（九）Item数据对象

  • 作用：

    • 定义抓取的数据结构。

  • 主要职责：

    • 用于描述从网页中提取的数据字段及其属性。

（十）Signals信号

  • 作用：

    • 用于框架内事件的订阅与触发，便于实现钩子机制。

  • 主要职责：

    • 处理事件通知，如爬虫开始、爬虫结束、异常发生等。

四、Scrapy的入门使用

Scrapy 的入门使用主要包括安装、创建项目、编写爬虫以及数据保存等基本步骤。以下是详细流程：

（一）安装 Scrapy

使用 pip 安装：

pip install scrapy

确认安装成功：

scrapy --version

（二）创建 Scrapy 项目

创建一个新的项目：

scrapy startproject myproject

项目结构：

myproject/
  ├── myproject/          # 项目模块
  │   ├── __init__.py
  │   ├── items.py        # 定义数据结构
  │   ├── middlewares.py  # 中间件
  │   ├── pipelines.py    # 数据管道
  │   ├── settings.py     # 配置文件
  │   └── spiders/        # 爬虫目录
  └── scrapy.cfg          # 项目配置

（三）编写爬虫

进入项目目录：

cd myproject

创建爬虫：

scrapy genspider example example.com

修改 spiders/example.py，示例爬取 quotes.toscrape.com：

import scrapy

class ExampleSpider(scrapy.Spider):
    name = 'example'
    start_urls = ['http://quotes.toscrape.com']

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').get(),
                'author': quote.css('span small.author::text').get(),
                'tags': quote.css('div.tags a.tag::text').getall(),
            }

（四）运行爬虫

执行命令运行爬虫：

scrapy crawl example

（五）保存数据

直接保存爬取结果为 JSON、CSV 或 XML 文件：

scrapy crawl example -o output.json

（六）常见配置修改

修改 settings.py：

DOWNLOAD_DELAY = 2

启用 User-Agent：

USER_AGENT = 'myproject (+http://www.example.com)'

（七）调试与扩展

使用调试工具检查 CSS 或 XPath 选择器：

scrapy shell 'http://quotes.toscrape.com'

在管道、下载中间件或扩展中实现更复杂功能。

五、总结

Scrapy 是一个以模块化、异步非阻塞为核心的爬虫框架，通过精细的组件协作，提供了高效抓取、数据处理和存储的能力。从理解阻塞与非阻塞的机制，到掌握 Scrapy 的引擎、调度器、下载器和中间件的作用，再到编写第一个爬虫，完整的流程让你从零起步，逐步进入 Scrapy 的世界。熟悉这些模块和配置后，你将不仅能快速构建爬虫项目，还能在复杂场景中灵活应对，实现数据抓取的高效化与专业化。


http://www.kler.cn/a/415784.html

相关文章：

  • Springboot项目集成Mybatis-Plus,多数据源配置，写主读从
  • 在开发环境中，前端（手机端），后端（电脑端），那么应该如何设置iisExpress
  • Mybatis集成篇（一）
  • 如何解决 java.rmi.NotBoundException: RMI 中没有绑定的对象问题？亲测有效的解决方法！
  • aws服务--机密数据存储AWS Secrets Manager（1）介绍和使用
  • 鸿蒙本地模拟器 模拟TCP服务端的过程
  • [Python/网络安全] Git漏洞之Githack工具基本安装及使用详析
  • Pytorch使用手册-使用 TensorBoard 可视化模型、数据和训练过程（专题十）
  • JVM 性能调优 -- JVM常用调优工具【jps、jstack、jmap、jstats 命令】
  • 如何选择黑白相机和彩色相机
  • GAN是一种自监督模型那在判别器中，同时输入生成器生成的SR与真实值HR作比较的话，不就是将HR作为SR的标签吗，如何体现自监督学习呢
  • YOLOv11融合Inner-IoU及相关改进思路
  • I/O流综合练习题
  • 摄影相关常用名词
  • springboot343大学生选修选课系统的设计与实现(论文+源码)_kaic
  • 物联网环境中NDN协议的性能比较分析
  • CQ 社区版 2024.11 | 新增“审批人组”概念、可通过SQL模式自定义审计图表……
  • 详解登录MySQL时出现SSL connection error: unknown error number错误
  • 网络安全、Web安全、渗透测试之笔经面经总结（三）
  • net9 abp vnext 多语言通过数据库动态管理
  • Ubuntu安装不同版本的opencv，并任意切换使用
  • 从单一设备到万物互联：鸿蒙生态崛起的未来之路
  • 【0346】Postgres内核 Startup Process 通过 signal 与 postmaster 交互实现 （5）
  • 代码随想录算法训练营第五十七天|Day57 图论
  • python学习——字典的创建与删除
  • 容器第二天（day039）