Scrapy,基于python的网页爬虫,内容大纲,爬虫的由来 爬虫与大数据的联系 Scrapy框架简介 学习Scrapy需要准备的知识 Scrapy的基本逻辑和运行原理 认识第一个爬虫 爬虫方向的前景和细分,问题,爬虫有哪些特点，如何区分？ 爬虫为什么会出现（开放性问题）？ 你讨厌爬虫吗？,Quick glance,爬虫的由来,即网络爬虫，是一种自动获取页面内容的程序。它是搜索引擎重要的组成部分。,网络爬虫,网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。 爬虫的分类： 网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型： 通用网络爬虫（General Purpose Web Crawler） 聚焦网络爬虫（Focused Web Crawler） 增量式网络爬虫（Incremental Web Crawler） 深层网络爬虫（Deep Web Crawler）,Store of spider and big data,爬虫能做什么,能做什么？ 不能做什么？,Can Can not,Everything on HTML based internet!,Bad things!,通常意义来说，爬虫是为了在互联网中获取各种各样的信息，如果说浏览器能完成的页面访问，那么爬虫工程师都可以做出相应的爬虫。 那么问题在于，爬虫开发的Cost和Benefit是否能平衡。 对于敏感和隐私的数据，除非本人组织同意，否者万万不要去尝试获取这些数据。,问题,为什么Scrapy是流行的爬虫开发框架？,ScrapyScratch python,基于Python的快速、高层次的屏幕和Web抓去框架，用户专区Web站点（包括H5，移动端Wap站点）并从页面中提取结构化的数据。 Scrapy除了可以用来做爬虫，获取数据和数据监测；另外还可以用作自动化测试框架！ Scrapy开发源码，可以做任意的修改，同时提供能各种类型的爬虫基类，如BaseSpider，sitemap，CrawlSpider，,使用Twisted异步网络库 实现异步网络请求,十分灵活：Scrapy Engine 负责整体协调，可以任意增加南北接口，借鉴Django的Middleware概念 容易控制：良好的Html协议支持，并发数可控，开放性好,Scrapy Engine： 处理整个系统的数据流处理、触发事物 Scheduler：管理Request请求的出入栈；去除重复的请求 Downloader：基于Twisted的异步下载器（不处理JS） Pipeline：数据持久化，也可以在此添加验证和去重的功能 Download Middleware：介于Scrapy Engine和下载器之间的middleware，处理两者这件的输入和输出请求 Spider Middleware：介于Scrapy Engine和Spider。 Scheduler Middleware：介于Scrapy Engine和Scheduler。,爬取简易流程,1.Engine 从Scheduler取出一个Url 2.Engine讲Url包装成Request，并交由Downloader 3.Downloader收到Response后，由具体的爬虫解析后生成结构化的Item数据 4.把Item扔给Pipeline，Pipeline最终复杂实现数据的存储,Scrapy 的短板,不能完整的模拟浏览器。 目前不能执行JavaScript。因为scrapy框架的Download Middleware没有集成任何浏览器内核。 问题：Scrapy不能执行JavaScript，怎么办？,学习Scrapy需要准备的知识,Scrapy支持Python 2.x和3.x 理解关键字 yield 了解Html协议基本 熟悉xml解析和正则表达式,So easy？,来认识这位“爬虫”,新建工程： scrapy startporject 创建需要的Item、pipeline。 在spiders目录下完成.py 运行scrapy crawl ,