Scrapy 框架架构

Scrapy 框架架构

---

---

前言

• Scrapy (/ˈskreɪpaɪ/) 是一个用于抓取网站和提取结构化数据的应用程序框架，可用于如数据挖掘、信息处理，网络爬虫。
• scrapy基于异步框架实现的（Twisted）

这一节我们学习一下这个框架的基本架构，了解一下各组件是如何交互的。

---

一、核心组成

• 引擎（Engine）：引擎负责控制系统所有组件之间的数据流。自动运行，无需关注。
• 调度器（Scheduler）：接收来自引擎的请求，放在队列中，需要时在按一定次序交给引擎。
• 下载器（Downloader）：获取请求信息后，从网络获取数据并返回响应。
• 爬虫（Spiders）：我们操作最多的部分，用于解析下载器返回的响应。
• 管道（Item Pipeline）：处理爬虫解析好的数据，例如数据持久化（存入数据库），查重等。
• 下载中间件（Downloader middlewares）：处理引擎发来的请求和下载器发出的响应。
• 爬虫中间件（Spider middlewares）：处理进入spider的响应和出spider的数据或新请求。

二、数据流

对照上面的图片：

1. 引擎从Spider获取初始请求 。
2. 引擎请求调度器，并准备下一次请求的抓取
3. 调度器将请求交给引擎
4. 引擎发出请求经过下载中间件交给下载器
5. 下载完成后，下载器返回响应再次经过下载中间件交给引擎
6. 引擎接收来自下载器的请求，经过爬虫中间件发送给 爬虫进行处理
7. 爬虫处理响应返回数据item，或者新请求交给引擎，中间还会经过爬虫中间件。
8. 引擎将item发送给管道，新请求发送给调度器等待调度
9. 从第三步进行循环，直到调度其中没有请求

并不是所有部分我们都需要关注，这些组成中引擎，下载器和调度器，是不需要我们编写的。我们的重点在其他部分。

三、项目结构

接下来我们了解一下创建项目后的结构，在需要存储代码的目录下运行终端cmd：scrapy startproject 爬虫名称
完成后我们会发现已经出现了项目目录，内容如下：

爬虫名称/
    scrapy.cfg            # 项目配置文件，包含配置路径，部署信息

    爬虫名称/             # 项目的Python模块，您将从这里导入代码
        __init__.py

        items.py          # 用来定义Item数据结构

        middlewares.py    # 用来实现中间件

        pipelines.py      # 用于编写管道文件，也就是处理数据

        settings.py       # 项目的全局配置信息

        spiders/          # 用来存放日后编写的爬虫文件
            __init__.py

---

总结

本节介绍了Scrapy框架的基础知识，各部分具体如何实现后面会讲，但是这节要理解掌握工作流程，这有助于后面工作的进行。