二十七、scrapy的概念和工作流程

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，我们只需要实现少量的代码，就能够快速的抓取。

• 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：http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html

2. scrapy框架的作用

少量的代码，就能够快速的抓取

3. scrapy的工作流程

3.1 回顾之前的爬虫流程

3.2 上面的流程可以改写为

3.3 scrapy的流程

其流程可以描述如下：

• 爬虫中起始的url构造成request对象–>爬虫中间件–>引擎–>调度器
• 调度器把request–>引擎–>下载中间件—>下载器
• 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
• 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
• 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的五个功能模块

模块	功能
engine 引擎	调用其它功能模块的函数，组织运行逻辑
spider 爬虫	url构造request对象、解析response对象
scheduler 调度器	实现了一个 请求队列 ：request入队、从请求队列中取出一个request
downloader 下载器	发送请求获取响应
pipeline 管道	对数据进行处理

3.6 scrapy的两个中间件

作用：对经过的request response进行预处理

• 俩个中间件功能是重复的
• 只是根据逻辑位置不同，分为：downlaoder_middlewares 下载中间件、spider_middlewares 爬虫中间件。

3.7 scrapy中每个模块的具体作用