数据分析与数据挖掘实战视频——学习笔记之Scrapy架构图（工作原理）

参考链接：
https://blog.csdn.net/baidu_32542573/article/details/79415947
https://blog.csdn.net/yancey_blog/article/details/53888473

这部分是在数据分析与爬虫视频里面的补充，放在那边太挤了，所以单独放在这边。

旧版的图

scrapy engine是scrapy引擎，调度器(Scheduler)是一个插件，去发送请求request，去互联网请求对应的信息，然后在这边Downloader下载信息，发送相应的响应给Spiders.Spiders中，比如说自动爬虫吧，自动爬虫爬取的链接LinkExtractor可以交给Scheduler继续请求，爬取的内容给以交给Item Pipeline处理.整个流程是这样。

但是现在scrapy的框架有了新版。但是我学的这个视频是基于旧版的。新版的部分主要是看参考文献写的。

组件

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。

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。

**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。 更多内容请看 Spiders 。

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)。 更多内容查看 Item Pipeline 。

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（也包括引擎传递给下载器的Request）。 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。更多内容请看 下载器中间件(Downloader Middleware) 。
一句话总结就是：处理下载请求部分

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。更多内容请看 Spider中间件(Middleware) 。
一句话总结就是：处理解析部分

数据流(Data flow)

Scrapy中的数据流由执行引擎控制，其过程如下:

1、爬虫引擎Engine获得初始请求Request开始抓取（这里Spiders把Request传给了Engine）。
2、爬虫引擎Engine开始请求调度程序，并准备对下一次的请求Request进行抓取。
3、爬虫调度器Scheduler返回下一个请求Request给爬虫引擎Engine。
4、引擎Engine请求Request发送到下载器Downloader，通过下载中间件Downloader middlewares下载网络数据。
5、一旦下载器Downloader完成页面下载，将下载结果response返回给爬虫引擎Engine。
6、引擎Engine将下载器Downloader的响应response通过中间件Spider middlewares返回给爬虫Spider 进行处理。
7、爬虫Spider 处理响应response，并通过中间件Spider middlewares返回处理后的items，以及新的请求Request给引擎Engine。
8、引擎Engine发送处理后的items到项目管道，然后把处理结果Request返回给调度器Scheduler，调度器Scheduler计划处理下一个请求Request抓取。
9、重复该过程（继续步骤1），直到爬取完所有的url请求。

DownloaderMiddleware、SpiderMiddleware的使用

这部分主要是看参考文献的，我也没用到，之后如果用到我再回来看看。

现在来说下DownloaderMiddleware、SpiderMiddleware的使用
DownloaderMiddleware主要处理请求Request发出去和结果Response返回的一些回调，

比如说：UserAgent，使用代理，修改refferer，添加cookie，或者请求异常超时处理啥的

主要有几个方法：
process_request(request, spider)
当每个request通过下载中间件时，该方法被调用，这里可以修改UA，代理，Refferer
process_response(request, response, spider) 这里可以看返回是否是200加入重试机制
process_exception(request, exception, spider) 这里可以处理超时

SpiderMiddleware主要处理解析Item的相关逻辑修正，比如数据不完整要添加默认，增加其他额外信息等

process_spider_input(response, spider)当response通过spider中间件时，该方法被调用，处理该response。

rocess_spider_output(response, result, spider)
当Spider处理response返回result时，该方法被调用。

process_spider_exception(response, exception, spider)
当spider或(其他spider中间件的) process_spider_input() 跑出异常时， 该方法被调用。