[Python知识库]python爬虫-初识Scrapy框架

Scrapy框架组成：

• 引擎（Scrapy）:

用来处理整个系统的数据流处理及触发事务，是框架的核心。

• 调度器（Scheduler）：

用来接收引擎发过来的请求，将请求放入队列中，并在引擎再次请求的时候返回。它决定下一个要抓取的网址，同时担负着网址去重这一重要工作。

• 下载器（Downloader）：

用于下载网页内容，并将网页内容返回给爬虫。下载器的基础是twisted——一个Python网络引擎框架。

• 爬虫（Spiders）:

用于从特定的网页中提取自己需要的信息，即Scrapy中所谓的实体（Item）。也可以从中提取出链接，让Scrapy继续抓取下一个页面

• 管道（Pipeline）:

负责处理爬虫从网页中抽取出的实体，主要的功能是持久化信息、验证实体的有效性、清洗数据等。当页面被爬虫解析后，将被发送到管道，并经过特定的程序来处理数据。

• 下载器中间件（Downloader Middlewares）：

Scrapy引擎和下载器中间的架构，主要用于处理Scrapy引擎和下载器之间的请求及响应。

• 爬虫中间件（Spider Middlewares）：

Scrapy引擎和爬虫之间的框架，主要工作是处理爬虫的响应和请求输出。

• 调度中间件（Scheduler Midderwares）：

Scrapy引擎和调度之间的中间件，主要负责处理从Scrapy引擎发送到调度的请求和响应。

Scrapy框架图

Scrapy爬虫工作流程：

1. 引擎打开一个网站，找到处理该网站的爬虫（spider）,并向该爬虫请求一个要爬取的URL（网址）；

2. 引擎从爬虫中获取到第一个要爬取的 URL并在调度器（scheduler）中以Requests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通过下载器中间件转发给下载器；

   一旦页面下载完成，下载器会生成一个该页面的Response,并将其通过下载器中间件发送给引擎。引擎从下载器中接收到Response并通过爬虫中间件发送给爬虫处理。之后爬虫处理Response并返回爬取到的Item及发送（跟进的）新的Resquest给引擎。引擎将爬取到的Item传递给Item Pipline，将（爬虫返回的）Request传递给调度器。重复以上从第二步开始的过程直到调器中没有更多的Requests，最终引擎关闭网站。