Python_Scarapy_01_Scrapy架构流程介绍

Posted 2020-12-24 tlfox_2006

Scrapy Frame: https://blog.csdn.net/qq_33689414/article/details/78669490

Scrapy Reference : https://doc.scrapy.org/en/master/index.html

1，概述

• Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。

• 框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。

• Scrapy 使用了 Twisted[‘twɪstɪd]（其主要对手是Tornado），异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

 

2，架构图

Requests发送流程：其实Requests不是Engine给的，是Engine发指令给Scheduler，让Scheduler去发Requests给Downloader，Downloader会把对应的下载数据下载下来，并把下载的数据给Spider，让Spider处理数据。Spider处理数据后，将有用的数据给Pipeline，如果是后续的Requests（如，第二页的请求），Spiders会将Requests发给Scheduler，Scheduler把请求入队列，再交给Downloader去下载数据。

各个模块功能：

• Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。（所有信号都是Engine发布的）

• 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。Scheduler很重要：1. 去重，如果以前发过重复的请求，Scheduler会识别这个请求并不再重复发送。2.调度间请求，请求会进调度队列，然后再依次出队列，交给下载器。

• 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字段需要的数据给pipeline，并将需要跟进的URL（Requests）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：可以定制请求）：你可以当作是一个可以自定义扩展下载功能的组件。

• Spider Middlewares（Spider中间件：可以处理Engine和Spider之间的通信）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

3，运作流程

代码写好，程序开始运行…

 1 引擎：Hi！Spider, 你要处理哪一个网站？
 2 
 3 Spider：老大要我处理xxxx.com。
 4 
 5 引擎：你把第一个需要处理的URL给我吧。
 6 
 7 Spider：给你，第一个URL是xxxxxxx.com。
 8 
 9 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
10 
11 调度器：好的，正在处理你等一下。
12 
13 引擎：Hi！调度器，把你处理好的request请求给我。
14 
15 调度器：给你，这是我处理好的request
16 
17 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
18 
19 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）
20 
21 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）
22 
23 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。
24 
25 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URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
26 
27 管道``调度器：好的，现在就做！

注意：只有当调度器没有request需要处理时，整个程序才会停止。（对于下载失败的URL，Scrapy也会重新下载。）

4，Scrapy爬虫四大步骤

• 第一步：新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
• 第二步：明确目标 （编写items.py）：明确你想要抓取的目标
• 第三步：制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
• 第四步：存储内容 （pipelines.py）：设计管道存储爬取内容