scrapy的概念和流程

目录

1. scrapy的概念

2. scrapy框架的作用

3. scrapy的工作流程

3.1 爬虫流程

3.2  改写流程（抽象化）

3.3 scrapy的流程

3.4 scrapy的三个内置对象

3.5 scrapy中每个模块的具体作用

小结

---

1. scrapy的概念

Scrapy是一个Python编写的开源网络爬虫框架。它是一个被设计用于爬取网络数据、提取结构性数据的框架。

框架就是把之前简单的操作抽象成一套系统，这样我们在使用框架的时候，它会自动的帮我们完成很多工作，我们只需要完成剩余部分

Scrapy 使用了Twisted['twɪstɪd]异步网络框架，可以加快我们的下载速度。

Scrapy文档地址：初窥Scrapy — Scrapy 1.0.5 文档

2. scrapy框架的作用

少量的代码，就能够快速的抓取 ,框架是代码的半成品，提高效率（爬虫效率和开发效率）

3. scrapy的工作流程

3.1 爬虫流程

3.2  改写流程（抽象化）

3.3 scrapy的流程

（可以理解为是3.2流程的抽象化流程）

其流程可以描述如下：

1. 爬虫中起始的url构造成request对象-->爬虫中间件-->引擎-->调度器
2. 调度器把request-->引擎-->下载中间件--->下载器
3. 下载器发送请求，获取response响应---->下载中间件---->引擎--->爬虫中间件--->爬虫
4. 爬虫提取url地址，组装成request对象---->爬虫中间件--->引擎--->调度器，重复步骤2
5. 爬虫提取数据--->引擎--->管道处理和保存数据

注意：

• 图中中文是为了方便理解后加上去的
• 图中绿色线条的表示数据的传递
• 注意图中中间件的位置，决定了其作用
• 注意其中引擎的位置，所有的模块之前相互独立，只和引擎进行交互

3.4 scrapy的三个内置对象

• request请求对象：由url method post_data headers等构成
• response响应对象：由url body status headers等构成
• item数据对象：本质是个字典

3.5 scrapy中每个模块的具体作用

注意：

• 爬虫中间件和下载中间件只是运行逻辑的位置不同，作用是重复的：如替换UA等

---

小结

1. scrapy的概念：Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架

2. scrapy框架的运行流程以及数据传递过程：

   1. 爬虫中起始的url构造成request对象-->爬虫中间件-->引擎-->调度器
   2. 调度器把request-->引擎-->下载中间件--->下载器
   3. 下载器发送请求，获取response响应---->下载中间件---->引擎--->爬虫中间件--->爬虫
   4. 爬虫提取url地址，组装成request对象---->爬虫中间件--->引擎--->调度器，重复步骤2
   5. 爬虫提取数据--->引擎--->管道处理和保存数据

3. scrapy框架的作用：通过少量代码实现快速抓取

1. 掌握scrapy中每个模块的作用：

   引擎(engine)：负责数据和信号在不腰痛模块间的传递

   调度器(scheduler)：实现一个队列，存放引擎发过来的request请求对象

   下载器(downloader)：发送引擎发过来的request请求，获取响应，并将响应交给引擎

   爬虫(spider)：处理引擎发过来的response，提取数据，提取url，并交给引擎

   管道(pipeline)：处理引擎传递过来的数据，比如存储

   下载中间件(downloader middleware)：可以自定义的下载扩展，比如设置代理ip

   爬虫中间件(spider middleware)：可以自定义request请求和进行response过滤，与下载中间件作用重复