Scrapy
1、python爬虫框架Scrapy
爬虫框架是实现爬虫功能的一个软件结构和功能组建集合
爬虫框架是一个半成品，能够帮助用户实现专业网络爬虫
2、scrapy爬虫框架“5+2”结构解析
2.1、Engine：框架核心，不需用户编写
2.2、Downloader：下载网页，不需用户修改
2.3、Scheduler：对爬虫请求进行调度管理，不需用户修改
2.4、Downloader Middleware：
目的：实施Engine、Scheduler和Downloader之间进行用户可配置的控制；
功能：修改、丢弃、新增请求或响应；
用户可以编写配置代码
2.5、Spider：解析Downloader返回的响应（Response）；产生爬取项（scraped item）；产生额外爬取请求（Request），
2.6、Item Pipelines：以流水线的形式处理Spider产生的爬取项；由一组操作顺序组成，类似流水线，每个操作是一个Item Pipeline类型；可能操作包括：清理、检查和查重爬取项中的HTML数据、将数据存储到数据库。
需要用户编写配置代码
2.7、Spider Middleware：
目的：对请求和爬取项再处理
功能：修改、丢弃、新增请求或爬取项
用户可以编写配置代码
3、requests库与Scrapy比较
| requests库 | scrapy框架 |
| 页面级爬虫 | 网站级爬虫 |
| 功能库 | 框架 |
| 并发性不足，性能差 | 并发行好，性能较高 |
| 重点在于页面下载 | 重点在于爬虫结构 |
| 定制灵活 | 一般定制灵活，深入定制困难 |
| 上手简单 | 入门稍难 |
4、Scrapy爬虫的常用命令
4.1、startproject：创建一个新工程 scrapy startproject <name> [dir]
4.2、genspider：创建一个爬虫 scrapy genspider [options] <name> <domain>
4.3、settings：获得爬虫配置信息 scrapy settings [options]
4.4、crawl：运行一个爬虫 scrapy crawl <spider>
4.5、list：列出工程中所有爬虫 scrapy list
4.7、shell：启动URL调试命令行 scrapy shell [url]