scrapy架构及执行流程-scrapy框架2-python

Posted gaog2zh

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了scrapy架构及执行流程-scrapy框架2-python相关的知识,希望对你有一定的参考价值。

1、概述

官网架构及执行流程图:

官方文档地址:https://docs.scrapy.org/en/latest/topics/architecture.html#components

2、scrapy 组件

  • 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):一个可以自定义扩展下载功能的组件。

  • Spider Middlewares(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。

上述内容从百度百科获取,原文地址为1中的官方文档

3、执行流程

流程如图中的红色箭头所示,由执行引擎控制,具体如下:

  1. 引擎从Spider获取初始化的Requests对象
  2. 引擎把Requests对象调度至Scheduler,并且请求接下来的Requests
  3. Scheduler返回Requests到引擎
  4. 引擎通过下载中间件(Downloader Middlewares)把Requests发送给下载器(Downloader)
  5. 当请求完成后,下载器生成Response对象,通过下载中间件发送给引擎。
  6. 引擎接收到Respnse对象后,通过Spider中间件发送给Spider,用于后续处理。
  7. Spider处理Response对象,通过Spider中间,返回items和新的请求(如果有)给引擎。
  8. 引擎把处理好的items发送给Item Pipelines,处理过的新Requests给Scheduler。
  9. 流程不断重复,直到Scheduler中不再有新的Requests。

没啥好说的基本上就是对官网英文文档做下简单的翻译。在整体了解了scrapy的架构及执行流程后,接下来我们通过一个项目做进一步的了解。

源代码仓库地址:https://gitee.com/gaogzhen/python-study

QQ群:433529853

scrapy架构及执行流程(记框架流程故事)

1、概述
官网架构及执行流程图:

官方文档地址:https://docs.scrapy.org/en/latest/topics/architecture.html#components

 

2、scrapy 组件
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):一个可以自定义扩展下载功能的组件。

Spider Middlewares(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。

上述内容从百度百科获取,原文地址为1中的官方文档

3、执行流程
流程如图中的红色箭头所示,由执行引擎控制,具体如下:

引擎从Spider获取初始化的Requests对象
引擎把Requests对象调度至Scheduler,并且请求接下来的Requests
Scheduler返回Requests到引擎
引擎通过下载中间件(Downloader Middlewares)把Requests发送给下载器(Downloader)
当请求完成后,下载器生成Response对象,通过下载中间件发送给引擎。
引擎接收到Respnse对象后,通过Spider中间件发送给Spider,用于后续处理。
Spider处理Response对象,通过Spider中间,返回items和新的请求(如果有)给引擎。
引擎把处理好的items发送给Item Pipelines,处理过的新Requests给Scheduler。
流程不断重复,直到Scheduler中不再有新的Requests。

4.故事

为了帮助大家更好地理解Scrapy的一次完整运行流程,下面把Scrapy的运作流程用拟人小剧场的方式进行表现,如下所示:

(1)引擎: Hi! Spider,你要处理哪一个网站?

(2)Spider:老大要我处理xxx.om。

(3)引擎:你把第一个需要处理的URL给我吧。

(4)Spider: 给你,第一个URL是xxxxx.om。

(5)引擎: Hi!调度器,我这有Request请求,你帮我排序入队一下。

(6)调度器:好的,正在处理,你等一下。

(7)引擎: Hi!调度器,把你处理好的Request请求给我。

(8)调度器:给你,这是我处理好的Requesto

(9)引擎: Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个Request请求。

(10)下载器:好的!给你,这是下载好的东西。(如果失败: Sorry,这个Request下载失败了。然后引擎告诉调度器,这个Request 下载失败了,你记录一下,我们待会儿再下载)。

(11)引擎: Hi! Spider, 这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿Responses默认是交给def parse(这个函数处理的)。

(12) Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。

(13) 引擎: Hi!管道,我这儿有个item你帮我处理一下!调度器!这是需要跟进的URL你帮我处理下。

(14)管道,调度器:好的,现在就做!

然后,从第(4)步开始循环,直到获取完老大需要的全部信息。

以上是关于scrapy架构及执行流程-scrapy框架2-python的主要内容,如果未能解决你的问题,请参考以下文章

scrapy架构及执行流程(记框架流程故事)

scrapy架构及执行流程(记框架流程故事)

爬虫之scrapy框架

玩转 Scrapy 框架 :Scrapy 架构Request和Response介绍

玩转 Scrapy 框架 :Scrapy 架构Request和Response介绍

Scrapy爬虫:scrapy架构及原理