scrapy架构及执行流程（记框架流程故事）

Posted 2022-07-04 石工记

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。