scrapy工作流程

Scrapy主要有以下几个组件：

1，引擎（Scrapy）

用来处理整个系统的数据流，触发事务（框架核心）

2，调度器（Scheduler）

用来接收引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回，可以想象成一个url(抓取网页的网址或者说是链接)的优先队列，由它决定下一个要抓取的网址是什么，同时去除重复的网址

3，下载器（Downloader）

用于下载网页内容，并将网页内容返回给蜘蛛（Scrapy下载器是建立再twisted）这个高效的异步模型上的

4，爬虫（Spiders）

爬虫是主要干活的，用于从特定的网页中提取自己需要的信息，即所谓的实体（Item）.用户也可以从中提取出链接，让Scrapy继续抓取下一个页面

5，项目管道（Pipeline）

负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体，验证实体的有效性，清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

6，下载器中间件（Downloader Middlewares）

位于Scrapy引擎和下载器之间的框架，主要是处理Scarpy引擎和下载器之间的请求及响应

7，爬虫中间件（Spider Middlewares）

介于scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出

8，调度中间件（Scheduler Middewares）

介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送的调度的请求和响应。

scrapy运行流程大概如下：
1，引擎从调度器中取出一个链接（URL）用于接下来的抓取

2，引擎把URL封装成一个请求（Request）传给下载器

3，下载器把资源下载下来，并封装成应答包（Response）

4,  爬虫解析Response

5, 解析出实体（ITEM），则交给实体管道进行进一步的处理

6，解析出的是链接（URL），则把URL交给调度器等待抓取

 

转载于:https://www.cnblogs.com/chaojiyingxiong/p/9742699.html