前置知识:
- 掌握Python的基础知识
- 对爬虫基础有一定了解
说明: 运行环境
Win10,Python3 64位
目录:
1 Scrapy框架组成结构
2 Scapry数据流程
Scrapy中的数据流由执行引擎控制,其过程如下:
- 引擎打开一个网站(open a domain),找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
- 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度
- 引擎向调度器请求下一个要爬取的URL。
- 调度器返回下一个要爬取的URL给引擎,引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
- 一旦页面下载完毕,下载器生成一个该页面的Response,并将其通过下载中间件(返回(response)方向)发送给引擎。
- 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
- Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
- 引擎将(Spider返回的)爬取到的Item给Item Pipeline,将(Spider返回的)Request给调度器。
- (从第二步)重复直到调度器中没有更多地request,引擎关闭该网站。
3 Scrapy组件概览
4 扩展源码了解
只是了解一些用法还不够,更深入一点需要去看源码,scrapy也是托管在github上,项目主页
源码这么多怎么看,最根本的还是要掌握5大核心模块是怎么实现的,它们在源码中的位置:
(1) Engine:scrapy/scrapy/core/engine.py
(2) Scheduler:scrapy/scrapy/core/scheduler.py
(3) Downloader:scrapy/scrapy/core/downloader/
(4) Spider:scrapy/scrapy/spider.py
(5) Item pipeline:scrapy/scrapy/pipelines/
scrapy入口:
从scrapy_home/bin/scrapy/cmdline.py这个模块的execute()函数开始
每个具体的命令对应于一个scrapy_home/scrapy/commands包下具体的模块
调度器(scheduler.py)
scrapy/core/scheduler.py
1)对每一个引擎传递过来的request请求进行指纹验证 request_seen
2) 在request_seen中会判断request对象的指纹信息fp,是否已经存在于集合中,如果已经存在不再请求,去掉重复
3) 如果没有请求过,就讲request对象保存到队列mqs中,等待被调度