pyhton爬虫学习（十三）：scrapy框架原理

Scrapy架构图

引擎（Engine）

负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

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)

负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理

爬虫（Spiders）

它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)

管道（Item Pipeline）

它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）

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。 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。你可以当作是一个可以自定义扩展下载功能的组件

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。你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

数据流向

Scrapy的数据流由执行引擎（Engine）控制，其基本过程如下：

1. 引擎从Spider中获取到初始Requests。
2. 引擎将该Requests放入调度器，并请求下一个要爬取的Requests。
3. 调度器返回下一个要爬取的Requests给引擎
4. 引擎将Requests通过下载器中间件转发给下载器(Downloader)。
5. 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。
6. 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。
7. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8. 引擎将(Spider返回的)爬取到的Item交给ItemPipeline处理，将(Spider返回的)Request交给调度器，并请求下一个Requests（如果存在的话）。
9. (从第一步)重复直到调度器中没有更多地Request。

制作 Scrapy 爬虫 一共需要4步：

• 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
• 明确目标 （编写items.py）：明确你想要抓取的目标
• 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
• 存储内容 （pipelines.py）：设计管道存储爬取内容

参考文章

https://www.cnblogs.com/cnkai/p/7396127.html