网络爬虫框架——Scrapy框架解析

一.为什么使用Scrapy框架?

    Scrapy是一个快速、高层次的屏幕抓取和web抓取的框架,可用于数据挖掘、监测和自动化检测，任何人都可以根据需要去进行修改。

二.Scrapy框架每个组件介绍

1.Scrapy引擎（Scrapy Engine）：负责控制数据流在系统的所以组件中的流动，并在相应动作发生时触发事件。

2.调度器（Scheduler）:从引擎接受reques并将其入队，便于以后请求它们提供给引擎。

3.下载器（Downloader）：负责获取网页数据并且提供给引擎，然后提供给Spider。

4.Spiders： 指Scrapy用户编写用于分析response并且提取item或额外跟进的URL类人。每个Spider负责处理一些特定网站。

5.Item Pipeline：负责处理被Spider提取出来的item。典型的处理有清洁、验证及持久化

6.下载器中间件（Downloader Middlewares）：指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。它提供一个简便的机制，通过插入自定义代码来扩展Scrapy功能。

7.Spiders中间件（Spider Middlewares）:指在引擎及Spider之间的特定钩子（specific hook），处理Spider 的输入（response）和输出（items及requests）。它提供一个简便的机制，通过插入自定义代码来扩展Scrapy功能。

三.Scrapy框架工作原理

1.引擎向spider要URL

2.引擎将要爬取的URL给调度器

3.调度器会将URL生成请求对象放入指定的队列中

4.从队列中出队一个请求

5.引擎将请求交给下载器进行处理

6.下载器发送请求获取互联网数据

7.下载器将数据返回给引擎

8.引擎将数据再次给到spiders

9.spiders通过xpath解析该数据，得到数据或URL

10.spiders将数据或URL给到引擎

11.引擎判断该数据是URL还是数据，交给管道处理，URL交给调度器处理

12.当调度器里没有任何数据之后，整个程序停止

下面是我根据工作原理画的可以结合去看：