- 管道的持久化存储：
- 数据解析（爬虫类）
- 将解析的数据封装到item类型的对象中（爬虫类）
- 将item提交给管道：yield item（爬虫类）
- 在官大类的process_item中接收item对象并且进行任意形式的持久化存储操作（管道类）
- 在配置文件中开启管道
- 细节：
- 将爬取的数据进行备份？
- 一个管道类对应一种平台的持久化存储
- 有多个管道类是否意味着多个管道类都可以接受到爬虫文件提交的item？
- 只有优先级最高的管道才可以接受到item，剩下的管道类是需要从优先级最高的管道类中接收item
- 基于Spider父类进行全站数据的爬取
- 全站数据的爬取：将所有页码对应的页面数据进行爬取
- 手动请求的发送（get）：
yield scrapy.Request(url,callback)
- 对yield的总结：
- 向管道提交item的时候：yield item
- 手动请求发送：yield scrapy.Request(url,callback)
- 手动发起post请求：
yield scrapy.FormRequest(url,formdata,callback):formdata是一个字典表示的是请求参数
- scrapy五大核心组件
引擎(Scrapy)
用来处理整个系统的数据流处理, 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。
- scrapy的请求传参
- 作用：实现深度爬取。
- 使用场景：如果使用scrapy爬取的数据没有存在同一张页面中
- 传递item：yield scrapy.Request(url,callback,meta)
- 接收item：response.meta
- 提升scrapy爬取数据的效率
- 在配置文件中进行相关的配置即可:
增加并发：
默认scrapy开启的并发线程为32个，可以适当进行增加。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。
降低日志级别：
在运行scrapy时，会有大量日志信息的输出，为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写：LOG_LEVEL = ‘INFO’
禁止cookie：
如果不是真的需要cookie，则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率，提升爬取效率。在配置文件中编写：COOKIES_ENABLED = False
禁止重试：
对失败的HTTP进行重新请求（重试）会减慢爬取速度，因此可以禁止重试。在配置文件中编写：RETRY_ENABLED = False
减少下载超时：
如果对一个非常慢的链接进行爬取，减少下载超时可以能让卡住的链接快速被放弃，从而提升效率。在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s
CONCURRENT_REQUESTS = 100
LOG_LEVEL = 'ERROR'
COOKIES_ENABLED = False
RETRY_ENABLED = False
DOWNLOAD_TIMEOUT = 1
- scrapy的中间件
- 爬虫中间件
- 下载中间件（***）：处于引擎和下载器之间
- 作用：批量拦截所有的请求和响应
- 为什么拦截请求
- 篡改请求的头信息（UA伪装）
- 修改请求对应的ip（代理）
- 为什么拦截响应
- 篡改响应数据，篡改响应对象
- 爬取网易新闻的新闻标题和内容
- selenium在scrapy中的使用流程
- 在爬虫类中定义一个bro的属性，就是实例化的浏览器对象
- 在爬虫类重写父类的一个closed(self,spider)，在方法中关闭bro
- 在中间件中进行浏览器自动化的操作
- 作业：
- 网易新闻
- http://sc.chinaz.com/tupian/xingganmeinvtupian.html网站中的图片数据进行爬取
进入数据库：
mysql -uroot -p
创建表结构：
create table wangyi (title varchar(200),content varchar(9999));
显示表信息：
desc wangyi;
提交事物：
commit;
执行虫子：
scrapy crawl wangyi
