Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，
Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，
Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.
Downloader Middlewares（下载中间件）：可以自定义扩展下载功能的组件（代理、cokies等）。
Spider Middlewares（Spider中间件）：可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）
创建爬虫项目
scrapy startproject 项目名
新建爬虫文件
scrapy genspider 项目名 项目的域
创建成功后会生成很多文件，items.py文件中用来定义要爬取的字段，所有的配置在settings.py文件中设置，在项目名.py文件中编写代码
yield 的就是一个生成器，带有yeild的函数遇到yeild的时候就返回一个迭代值，下次迭代时，代码从 yield 的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行，直到再次遇到 yield。
数据持久化
存入MySQL数据库或MongoDB数据库，做数据持久化处理
在pipelines.py文件中，进行数据的清洗和持久化，并在settings.py文件中激活管道
Request相关参数介绍
url: 就是需要请求，并进行下一步处理的url
callback: 指定该请求返回的Response
headers: 请求头
cookies: cookies,模拟用户登录需要指定用户的cookies,字典dict型
meta: 比较常用，在不同的请求之间传递数据使用的。字典dict型
Response相关参数介绍
status: 响应码
url：响应url
self.request(request对象)
self.headers(响应头)
CrawlSpider它是Spider的派生类，Spider类的设计原则是只爬取start_url列表中的网页，而CrawlSpider类定义了一些规则Rule来爬取页面
创建爬虫文件
scrapy genspider -t crawl 爬虫文件 域名
在rules中包含一个或多个Rule对象，如果多个rule匹配了相同的链接，第一个会被使用。
参数
link_extractor：是一个Link Extractor对象，用于定义需要提取的链接。
callback： 回调函数
follow：是否跟进，follow 默认设置为True
process_links：指定spider中哪个的函数将会被调用，该方法主要用来过滤。
process_request：指定处理函数，根据该Rule提取到的每个Request时，该函数将会被调用，可以对Request进行处理，该函数必须返回Request或者None
注意：
当编写爬虫规则时，不能使用parse作为回调函数。如果覆盖了 parse方法，crawl spider将会运行失败。
通常防止爬虫被反：
动态设置User-Agent（随机切换User-Agent，模拟不同用户的浏览器信息）
禁用Cookies(前提是爬取的网站不需要cookies参数)
使用cookies池
自定义中间件
设置延迟下载(降低访问网站的频率)
使用IP代理地址池
爬虫的持久化
scrapy crawl 爬虫名称 -s JOBDIR=crawls/爬虫名称
注意Cookies 的有效期，请求序列化
Settings.py 设置文件参数
爬虫的文件路径
SPIDER_MODULES = ['ziruproject.spiders']
NEWSPIDER_MODULE = 'ziruproject.spiders'
用户代理，一般设置这个参数用来伪装浏览器请求
USER_AGENT = ''
是否遵守ROBOT协议，为False时，表示不遵守（默认为True）
ROBOTSTXT_OBEY = True
Scrapy downloader(下载器) 处理的最大的并发请求数量，默认: 16
CONCURRENT_REQUESTS
下载延迟的秒数，用来限制访问的频率，默认为:0
DOWNLOAD_DELAY
每个域名下能够被执行的最大的并发请求数据量，默认为:８
CONCURRENT_REQUESTS_PER_DOMAIN
是否要携带cookies，一般情况下，不是必须要携带cookies的请求，我们将这个参数设置为False，默认为: True
COOKIES_ENABLED
查看请求是否携带cookies，追踪cookies
True:表示追踪，False 不追踪，默认为:False 不追踪
COOKIES_DEBUG
设置默认的请求头
DEFAULT_REQUEST_HEADERS
爬虫中间件
SPIDER_MIDDLEWARES
下载中间件
DOWNLOADER_MIDDLEWARES
我们可以在这个参数下自定义扩展
EXTENSIONS
设置并激活管道文件，为了存储数据使用，后面的数字表示优先级，数字越小，优先级越高
ITEM_PIPELINES
下载器超时时间(单位: 秒)默认: 180
DOWNLOAD_TIMEOUT
自动限速（AutoThrottle）扩展
该扩展能根据Scrapy服务器及您爬取的网站的负载自动限制爬取速度。
数据缓存：
目的：用来将已经发送的请求缓存下来，一遍后续使用
是否启用缓存策略
HTTPCACHE_ENABLED = True
缓存超时时间
HTTPCACHE_EXPIRATION_SECS = 0
缓存保存路径
HTTPCACHE_DIR = 'httpcache'
缓存忽略的Http状态码
HTTPCACHE_IGNORE_HTTP_CODES = []
缓存存储的插件
HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
关于日志信息的设置
LOG_ENABLED 默认: True
是否启用logging。
LOG_ENCODING
log的最低级别。可选的级别有: CRITICAL、 ERROR、WARNING、INFO、DEBUG 。
- CRITICAL - 严重错误(critical)
- ERROR - 一般错误(regular errors)
- WARNING - 警告信息(warning messages)
- INFO - 一般信息(informational messages)
- DEBUG - 调试信息(debugging messages)
LOG_FILE
默认: None
logging输出的文件名。如果为None，则使用标准错误输出(standard error)。
Logging使用
Scrapy提供了log功能，可以通过 logging 模块使用。
可以修改配置文件settings.py
LOG_FILE = "TencentSpider.log"
LOG_LEVEL = "INFO"
