Scrapy 框架架构

Posted 2023-03-30 不一样的鑫仔

Scrapy 框架架构

---

目录

• Scrapy 框架架构
• 前言
• 一、核心组成
• 二、数据流
• 三、项目结构
• 总结

---

前言

• Scrapy (/ˈskreɪpaɪ/) 是一个用于抓取网站和提取结构化数据的应用程序框架，可用于如数据挖掘、信息处理，网络爬虫。
• scrapy基于异步框架实现的（Twisted）

这一节我们学习一下这个框架的基本架构，了解一下各组件是如何交互的。

---

一、核心组成

• 引擎（Engine）：引擎负责控制系统所有组件之间的数据流。自动运行，无需关注。
• 调度器（Scheduler）：接收来自引擎的请求，放在队列中，需要时在按一定次序交给引擎。
• 下载器（Downloader）：获取请求信息后，从网络获取数据并返回响应。
• 爬虫（Spiders）：我们操作最多的部分，用于解析下载器返回的响应。
• 管道（Item Pipeline）：处理爬虫解析好的数据，例如数据持久化（存入数据库），查重等。
• 下载中间件（Downloader middlewares）：处理引擎发来的请求和下载器发出的响应。
• 爬虫中间件（Spider middlewares）：处理进入spider的响应和出spider的数据或新请求。

二、数据流

对照上面的图片：

1. 引擎从Spider获取初始请求 。
2. 引擎请求调度器，并准备下一次请求的抓取
3. 调度器将请求交给引擎
4. 引擎发出请求经过下载中间件交给下载器
5. 下载完成后，下载器返回响应再次经过下载中间件交给引擎
6. 引擎接收来自下载器的请求，经过爬虫中间件发送给 爬虫进行处理
7. 爬虫处理响应返回数据item，或者新请求交给引擎，中间还会经过爬虫中间件。
8. 引擎将item发送给管道，新请求发送给调度器等待调度
9. 从第三步进行循环，直到调度其中没有请求

并不是所有部分我们都需要关注，这些组成中引擎，下载器和调度器，是不需要我们编写的。我们的重点在其他部分。

三、项目结构

接下来我们了解一下创建项目后的结构，在需要存储代码的目录下运行终端cmd：scrapy startproject 爬虫名称
完成后我们会发现已经出现了项目目录，内容如下：

爬虫名称/
    scrapy.cfg            # 项目配置文件，包含配置路径，部署信息

    爬虫名称/             # 项目的Python模块，您将从这里导入代码
        __init__.py

        items.py          # 用来定义Item数据结构

        middlewares.py    # 用来实现中间件

        pipelines.py      # 用于编写管道文件，也就是处理数据

        settings.py       # 项目的全局配置信息

        spiders/          # 用来存放日后编写的爬虫文件
            __init__.py

---

总结

本节介绍了Scrapy框架的基础知识，各部分具体如何实现后面会讲，但是这节要理解掌握工作流程，这有助于后面工作的进行。

Scrapy框架-scrapy框架架构详解

1.Scrapy框架介绍
写一个爬虫，需要做很多的事情。比如：发送网络请求、数据解析、数据存储、反反爬虫机制（更换ip代理、设置请求头等）、异步请求等。这些工作如果每次都要自己从零开始写的话，比较浪费时间。因此Scrapy把一些基础的东西封装好了，在他上面写爬虫可以变的更加的高效（爬取效率和开发效率）。因此真正在公司里，一些上了量的爬虫，都是使用Scrapy框架来解决。

2.Scrapy架构图
流程图1：

流程图2：

3.Scrapy框架模块功能

• Scrapy Engine（引擎）：Scrapy框架的核心部分。负责在Spider和ItemPipeline、Downloader、Scheduler中间通信、传递数据等。
• Spider（爬虫）：发送需要爬取的链接给引擎，最后引擎把其他模块请求回来的数据再发送给爬虫，爬虫就去解析想要的数据。这个部分是我们开发者自己写的，因为要爬取哪些链接，页面中的哪些数据是我们需要的，都是由程序员自己决定。
• Scheduler（调度器）：负责接收引擎发送过来的请求，并按照一定的方式进行排列和整理，负责调度请求的顺序等。
• Downloader（下载器）：负责接收引擎传过来的下载请求，然后去网络上下载对应的数据再交还给引擎。
• Item Pipeline（管道）：负责将Spider（爬虫）传递过来的数据进行保存。具体保存在哪里，应该看开发者自己的需求。
• Downloader Middlewares（下载中间件）：可以扩展下载器和引擎之间通信功能的中间件。
• Spider Middlewares（Spider中间件）：可以扩展引擎和爬虫之间通信功能的中间件。