爬虫工作的三个步骤
- 发起请求
- 解析数据
- 过滤数据
- 保存数据
爬虫用到的常用库
requests,bs4(BeautifulSoup),python-lxml,pyquery,scrapy,
爬虫框架
Scrapy组件
Scrapy主要包括了以下组件：
引擎(Scrapy)
用来处理整个系统的数据流,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。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程
Scrapy运行流程大概如下：
引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取
Scrapy目录结构介绍
items.py: 用来存放爬虫爬取下来数据的模型
middlewares.py: 用来存放各种中间件的文件
pipelines.py: 用来将items的模型存储到本地磁盘中
settings.py: 本爬虫的一些配置信息（比如请求头、多久发送一次请求、ip代理池等）
scrapy.cfg: 项目的配置文件
spiders包: 以后所有的爬虫，都是存放到这个里面
实战
- scrapy startproject [项目名称]
- cd [项目名称]
- scrapy genspider 爬虫名 网站域名
- 定义item，设定需要获取的数据
- 编写pipeline，保存数据
- 更改setting文件，设置ROBOTSTXT_OBEY，User-Agent，ITEM_PIPELINES
- 新增main文件，cmdline.execute(“scrapy crawl cnblogs –nolog”.split())
- 编写spider
反爬虫技术
- 随机user_agent
- 添加Referer
- 延时
- 随机代理IP