[[229275]]

本系列：

• 《手把手教你寫網(wǎng)絡(luò)爬蟲（1）：網(wǎng)易云音樂歌單》
• 《手把手教你寫網(wǎng)絡(luò)爬蟲（2）：迷你爬蟲架構(gòu)》

看到了嗎？星星數(shù)***的Scrapy比其他所有的加起來都要多，我仿佛聽到他這樣說：

[[229276]]

優(yōu)點(diǎn)：

• 極其靈活的定制化爬取。
• 社區(qū)人數(shù)多、文檔完善。
• URL去重采用布隆過濾器方案。
• 可以處理不完整的HTML，Scrapy已經(jīng)提供了selectors（一個(gè)在lxml的基礎(chǔ)上提供了更高級的接口），可以高效地處理不完整的HTML代碼。

缺點(diǎn)：

• 不支持分布式部署。
• 原生不支持抓取JavaScript的頁面。
• 全命令行操作，對用戶不友好，需要一定學(xué)習(xí)周期。

結(jié)論

篇幅有限，就先選擇這三個(gè)最有代表性的框架進(jìn)行PK。他們都有遠(yuǎn)超別人的優(yōu)點(diǎn)，比如：Nutch天生的搜索引擎解決方案、Pyspider產(chǎn)品級的WebUI、Scrapy最靈活的定制化爬取。也都各自致命的缺點(diǎn)，比如Scrapy不支持分布式部署，Pyspider不夠靈活，Nutch和搜索綁定。究竟該怎么選擇呢？

我們的目標(biāo)是做純粹的爬蟲，不是搜索引擎，所以先把Nutch排除掉，剩下人性化的Pyspider和高可定制的Scrapy。Scrapy的靈活性幾乎能夠讓我們完成任何苛刻的抓取需求，它的“難用”也讓我們不知不覺的研究爬蟲技術(shù)。現(xiàn)在還不是享受Pyspider的時(shí)候，目前的當(dāng)務(wù)之急是打好基礎(chǔ)，應(yīng)該學(xué)習(xí)最接近爬蟲本質(zhì)的框架，了解它的原理，所以把Pyspider也排除掉。

最終，理性的從個(gè)人的需求角度對比，還是Scrapy勝出！其實(shí)Scrapy還有更多優(yōu)點(diǎn)：

• HTML, XML源數(shù)據(jù)選擇及提取的原生支持。
• 提供了一系列在spider之間共享的可復(fù)用的過濾器(即 Item Loaders)，對智能處理爬取數(shù)據(jù)提供了內(nèi)置支持。
• 通過 feed導(dǎo)出 提供了多格式(JSON、CSV、XML)，多存儲后端(FTP、S3、本地文件系統(tǒng))的內(nèi)置支持。
• 提供了media pipeline，可以 自動下載 爬取到的數(shù)據(jù)中的圖片(或者其他資源)。
• 高擴(kuò)展性。您可以通過使用 signals ，設(shè)計(jì)好的API(中間件, extensions, pipelines)來定制實(shí)現(xiàn)您的功能。
• 內(nèi)置的中間件及擴(kuò)展為下列功能提供了支持:
  • cookies and session 處理
  • HTTP 壓縮
  • HTTP 認(rèn)證
  • HTTP 緩存
  • user-agent模擬
  • robots.txt
  • 爬取深度限制
• 針對非英語語系中不標(biāo)準(zhǔn)或者錯(cuò)誤的編碼聲明, 提供了自動檢測以及健壯的編碼支持。
• 支持根據(jù)模板生成爬蟲。在加速爬蟲創(chuàng)建的同時(shí)，保持在大型項(xiàng)目中的代碼更為一致。
• 針對多爬蟲下性能評估、失敗檢測，提供了可擴(kuò)展的 狀態(tài)收集工具 。
• 提供 交互式shell終端 , 為您測試XPath表達(dá)式，編寫和調(diào)試爬蟲提供了極大的方便。
• 提供 System service, 簡化在生產(chǎn)環(huán)境的部署及運(yùn)行。
• 內(nèi)置 Telnet終端 ，通過在Scrapy進(jìn)程中鉤入Python終端，使您可以查看并且調(diào)試爬蟲。
• Logging 為您在爬取過程中捕捉錯(cuò)誤提供了方便。
• 支持 Sitemaps 爬取。
• 具有緩存的DNS解析器。

下一步 

吹了半天的Scrapy，時(shí)間也到了，如果大家能夠喜歡上它，學(xué)習(xí)的效率一定會成倍提升！下次我會為大家?guī)頋M滿的干貨，并完成更具挑戰(zhàn)性的爬蟲任務(wù)，我們下期再見！ 

原文鏈接：http://www.cnblogs.com/tuohai666/p/8861422.html