scrapy五大核心组件:
- 引擎:用来处理整个系统的数据流,触发事务(框架核心)
- 调度器:用来接受引擎发过来的请求,压入队列中,并在引擎中再次请求时返回,可以想象成一个URL的优先队列,由他来决定下一个要抓取的是什么,同时去除重复的网址
- 下载器:用于下载网页内容,并将网页内容返回给蜘蛛(scrapy下载器是建立在twisted这个高效的异步模型上的)
- 爬虫:爬虫是主要干活的,用于从特定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
- 项目管道:负责处理爬虫从网页中抽取的实体(item),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。