Scrapy是什么（未完待续）

Posted 2020-10-28 筱筱的春天

1.Scrapy是蜘蛛爬虫框架，我们用蜘蛛来获取互联网上的各种信息，然后再对这些信息进行数据分析处理。

2.Scrapy的组成

• 引擎：处理整个系统的数据流处理，出发事务
• 调度器: 接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回
• 下载器: 下载网页内容，并将网页内容返回给蜘蛛
• 蜘蛛: 蜘蛛是主要干活的，用来制定特定域名或网页的解析规则
• 项目管道: 清洗验证存储数据，页面被蜘蛛解析后，被发送到项目管道，并经过几个特定的次序处理数据。
• 下载器中间件: 位于引擎和下载器之间，处理引擎与下载器之间的请求及响应
• 蜘蛛中间件:位于引擎和蜘蛛之间，处理从引擎发送到调度的请求及响应

 

 

3.工作机制

• 爬取流程

首先从URL开始，Scheduler会将其交给Downloader进行下载，下载之后会交给Spider进行分析，Spider分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回给Scheduler;另一种是需要保存的数据，他们被送到Item Pipeline那里，那是对数据进行后期处理（详细分析，过滤，存储）的地方。另外在数据流动的管道里还可以安装各种中间件，进行必要的处理。

•  数据流程

1. 引擎打开一个网站，找到处理该网站的Spider,并向Spider请求第一个要爬取的URL。
2. 引擎从Spider中获取到第一个要爬取的URL并在调度器中以request进行调度。
3. 引擎向调度器请求下一个要爬取的URL
4. 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件转发给下载器
5. 下载完毕后，下载器生成一个该页面的response，并将其通过中间件返回给引擎
6. 引擎从下载器中接收到response并通过Spider中间件发送给Spider处理
7. Spider处理response并返回爬取到的Item及新的Request给引擎。
8. 引擎将爬取到的Item给Item Pipeline，将Request给调度器
9. 从第二步重复，直到调度器中没有更多的request，引擎关闭该网站。