Scrapy-架构

Posted 2020-11-21 doitjust

Scrapy架构(各组件的功能)及Scrapy引擎控制数据流的过程

　　1. Scrapy架构图(绿线是数据流向)：

　　

　　□ Scrapy引擎(Engine)：引擎负责控制数据流在系统的所有组件中流动，并在相应动作发生时触发事件。
　　□ 调度器(Scheduler)：调度器从引擎接收Request并将它们入队，以便以后引擎请求reqeust提供给引擎。
　　□ 下载器(Downloader)：下载器负责获取页面数据提供给引擎，而后提供给Spider。
　　□ Spider：Spider负责处理所有Response，从中分析提取数据，获取Item字段所需要的数据，并将需要跟进的URL提交给引擎，再次进入调度器。
　　□ Item Pipeline：Item Pipeline负责处理被Spider提取出来的Item。并进行后期处理(详细分析、过滤、存储等)，典型的处理有：清理验证及持久化(例如存储到数据库中)。
　　□ 下载器中间件(Doenloader middlewares)：下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的Response。其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
　　□ Spider中间件(Spider middlewares)。Spider中间件是在引擎及Spider之间的特定钩子。处理Spdier的输入(response)和输出(Items及Reqeusts)。操作引擎和Spider之间的通信。其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。

　　2. Scrapy引擎控制数据流过程：

　　　　⑴ 引擎打开一个网站(open a domain)，找到处理该网站的Spider并向给Spider请求第一个要爬取的URL。
　　　　⑵ 引擎从Spider中获取到第一个要爬取的URL，并通过调度器以Request进行调度。
　　　　⑶ 引擎向调度器请求下一个要爬取的URL。
　　　　⑷ 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件（请求(request)方向）转发给下载器。
　　　　⑸ 一旦页面下载完毕，下载器生成该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。
　　　　⑹ 引擎从下载器中接收到Response，并通过Spider中间件(输入方向)发送给Spider处理。
　　　　⑺ Spider处理Response，并返回爬取到的Item及(跟进的)新的Request给引擎。
　　　　⑻ 引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。
　　　　⑼ 重复( 从⑵ 开始 )直到调度器中没有更多的Request。引擎关闭该网站。