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:
- 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。
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
玩转 Scrapy 框架 :Scrapy 架构Request和Response介绍