scrapy学习

配置文件

文件以ini的方式记录,从以下路径寻找scrapy.cfg文件:

  1. /etc/srcapy.cfgc:\scrapy\scrapy.cfg(系统层面)
  2. ~/.config/scrapy.cfg($XDG_CONFIG_HOME)及~/.scrapy.cfg($HOME)作为全局(用户层面)设置
  3. 在scrapy项目根路径下的srcapy.cfg

优先级:

项目路径下的>>>>用户层面>>>>系统层面

存在其他方式


spiders运作流程

代码写好,程序开始运行…

  • 1 引擎:Hi!Spider, 你要处理哪一个网站?
  • 2 Spider:老大要我处理xxxx.com。
  • 3 引擎:你把第一个需要处理的URL给我吧。
  • 4 Spider:给你,第一个URL是xxxxxxx.com。
  • 5 引擎:Hi!调度器,我这有request请求你帮我排序入队一下。
  • 6 调度器:好的,正在处理你等一下。
  • 7 引擎:Hi!调度器,把你处理好的request请求给我。
  • 8 调度器:给你,这是我处理好的request
  • 9 引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求
  • 10 下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载)
  • 11 引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)
  • 12 Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。
  • 13 引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。
  • 14 管道调度器:好的,现在就做!

注意!只有当调度器中不存在任何request了,整个程序才会停止,(也就是说,对于下载失败的URL,Scrapy也会重新下载。)

Scrapy流程图


  转载请注明: Tomorrow scrapy学习

 上一篇
代理IP池的构建 代理IP池的构建
最近开始学scrapy的使用,总的来说框架使用起来还不错,毕竟使用了异步架构,效率挺高的。底层还没看,再学点去读源码。 成果: 本来计划爬西刺代理构建好代理IP池然后再去爬其他网站数据,结果我是想多了,免费的不靠谱啊,没有合适的IP不说,
2019-03-28
下一篇 
为什么Python不用设计模式 为什么Python不用设计模式
前言 虽然没有学习过Java,但是Java里那一直挂在嘴边的设计模式听到的次数就太多了,听的多了不代表就懂了。 所谓设计模式,主要是三个原则: 面向接口编程,而不是面向实现编程 优先使用组合,而不是继承 用Python时间也不短了,但
2019-03-16
  目录