思考
- scrapy 为什么是框架而不是库?
- scrapy是如何工作的?
项目结构
在开始爬取之前,必须创建一个新的Scrapy项目。进入您打算存储代码的目录中,运行下列命令:
注意:创建项目时,会在当前目录下python教程新建爬虫项目的目录。
这些文件分别是:
- scrapy.cfg:项目的配置文件
- quotes/:该项目的python模块。之后您将在此加入代码
- quotes/items.py:项目中的item文件
- quotes/middlewares.py:爬虫中间件、下载中间件(处理请求体与响应体)
- quotes/pipelines.py:项目中的pipelines文件
- quotes/settings.py:项目的设置文件
- quotes/spiders/:放置spider代码的目录
Scrapy原理图
各个组件的介绍
-
Engine。引擎,处理整个系统的数据流处理、触发事务,是整个框架的核心。
-
ltem。项目,它定义了爬取结果的数据结构,爬取的数据会被赋值成该ltem对象。
-
Scheduler。调度器,接受引擎发过来的请求并将其加入队列中,在引擎再次请求的时候将请求提供给引擎。
-
Downloader。下载器,下载网页内容,并将网页内容返回给蜘蛛。
-
Spiders。蜘蛛,其内定义了爬取的逻辑和网页的解析规则,它主要负责解析响应并生成提结果和新的请求。
-
Item Pipeline。项目管道,负责处理由蜘蛛从网页中抽取的项目,它的主要任务是清洗、验证和存储数据。
-
Downloader Middlewares。下载器中间件,位于引擎和下载器之间的钩子框架,主要处理引擎与下载器之间的请求及响应。
-
Spider Middlewares。蜘蛛中间件,位于引擎和蜘蛛之间的钩子框架,主要处理蜘蛛输入的响应和输出的结果及新的请求。
数据的流动
-
Scrapy Engine(引擎):负责Spider、ltemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
-
Scheduler(调度器):负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
-
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,
-
Spider(爬虫)︰负责处理所有Responses,从中分析提取数据,获取ltem字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器),
-
ltem Pipeline(管道):负责处理Spider中获取到的ltem,并进行进行后期处理(详细分析、过滤、存储等)的地方.
-
Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。
-
Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)