scrapy框架的概念

Posted 2020-09-23

使用Scrapy抓取一个网站一共需要四个步骤：

1. 创建一个Scrapy项目；

2. 定义Item容器；

3. 编写爬虫；

4. 存储内容。

 下图展现的是Scrapy的架构，包括组件及在系统中发生的数据流（图中绿色箭头）。

 

 

下面对每个组件都做了简单介绍：

 

Scrapy Engine

Scrapy引擎是爬虫工作的核心，负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。

 

调度器（Scheduler）

调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。

 

下载器（Downloader）

下载器负责获取页面数据并提供给引擎，而后提供给spider。

 

Spiders

Spider是Scrapy用户编写用于分析由下载器返回的response，并提取出item和额外跟进的URL的类。 Item Pipeline Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、验证及持久化（例如存取到数据库中）。

 

接下来是两个中间件，它们用于提供一个简便的机制，通过插入自定义代码来扩展Scrapy的功能。

 

下载器中间件（Downloader 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。

 

Spider中间件（Spider middlewares）

Spider中间件是在引擎及Spider之间的特定钩子（specific hook），处理spider的输入（就是接收来自下载器的response）和输出（就是发送items给item pipeline以及发送requests给调度器）。