Scrapy爬虫框架（一）原理介绍

Scrapy爬虫原理：

 

 

 

架构分为如下几个部分：

• Scrapy Engine：引擎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，此组件相当于爬虫的“大脑”，是整个爬虫的调度中心。
• 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。
  初始的爬取URL和后续在页面中获取的待爬取的URL将放入调度器中，等待爬取。同时调度器会自动去除重复的URL（如果特定的URL不需要去重也可以通过设置实现，如post请求的URL）
• 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response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。
• 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)。
• 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。 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
  通过设置下载器中间件可以实现爬虫自动更换user-agent、IP等功能。
• Spider中间件(Spider middlewares): Spider中间件是在引擎及Spider之间的特定钩子(specific
  hook)，处理spider的输入(response)和输出(items及requests)。
  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。

 

那么scrapy爬虫工作的数据流是什么样的？

1.引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。

2.引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request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(请求(request)方向)转发给下载器(Downloader)。

5.一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。

6.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。

7.Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。

8.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。

(从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

大白话理解scrapy框架：

scrapy框架开启，引擎打开网站，找到该网站对应的spider，把spider要请求的第一个链接url，给调度器(Scheduler)，request请求，并转发给下载器(Downloader)，下载器把网页信息下载生成response，返回给引擎，引擎将接收的response，传递给spider

spider对返回的response，进行抓取，把数据item传递给引擎，引擎再把item，传递给Item Pipeline，把新的spider 的请求，返回给调度器。依次循环，直至引擎没有新的request请求给调度器，程序结束

 

项目文件结构：

scrapyspider/
    scrapy.cfg
    scrapyspider/
        __init__.py
        items.py
        pipelines.py
        middlewares.py
        settings.py
        spiders/
            __init__.py
            ...

这些文件分别是:

scrapy.cfg: 项目的配置文件。
scrapyspider/: 该项目的python模块。之后您将在此加入代码。
scrapyspider/items.py: 项目中的item文件。
scrapyspider/pipelines.py: 项目中的pipelines文件。

scrapyspider/middlewares.py: 定义downloader中间件和spider 中间件。
scrapyspider/settings.py: 项目的设置文件。
scrapyspider/spiders/: 放置spider代码的目录。