scrapy(scrapy 爬取知乎)

一、scrapy使用详解

Scrapy使用详解

ScrapyEngine(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ScrapyEngine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给ScrapyEngine(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)。

ItemPipeline(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。

DownloaderMiddlewares（下载中间件）：一个可以自定义扩展下载功能的组件。

SpiderMiddlewares（Spider中间件）：一个可以自定扩展和操作引擎和Spider中间通信的功能组件。

二、Scrapy占内存大吗

Scrapy对于需要处理大量数据的爬虫项目来说，可能会占用较大的内存。这是因为Scrapy在默认设置下，会将所有的数据都存储在内存中，直到爬虫结束并将数据写入到硬盘上。因此，如果你的爬虫项目需要爬取大量的网页并保存大量的数据，那么会占用较大的内存空间。为了解决这个问题，可以使用Scrapy的内置功能，例如使用分页下载、限制并发请求的数量、设置合理的下载延迟等来减少内存占用。此外，你还可以通过定制Scrapy的存储管道，将数据直接存储在硬盘上，而不是在内存中暂存。总之，Scrapy在默认设置下可能会占用较大的内存空间，但可以通过一些技术手段来减少内存占用。

三、python怎么创建scrapy

要创建Scrapy项目，您需要按照以下步骤进行操作：

1.确保您已经安装了Python和Scrapy。您可以在命令行中输入以下命令来检查Scrapy是否已经安装：

```

scrapyversion

```

2.打开命令行，进入您想要创建Scrapy项目的目录。

3.输入以下命令来创建新的Scrapy项目：

```

scrapystartprojectprojectname

```

其中，"projectname"是您想要创建的项目名称。

4.进入新创建的项目目录：

```

cdprojectname

```

5.创建一个新的Spider：

```

scrapygenspiderspidernamedomain.com

```

其中，"spidername"是您想要创建的Spider名称，"domain.com"是您想要爬取的网站域名。

6.编辑Spider代码，以定义爬取规则和数据提取方法。

7.运行Spider：

```

scrapycrawlspidername

```

其中，"spidername"是您想要运行的Spider名称。

现在，您已经成功创建了一个Scrapy项目，并且可以开始编写Spider代码来爬取和提取数据了。