1. Scrapy简介
Scrapy这个爬虫框架主要由以下组件来组成:
-
引擎(Scrapy): 用来处理整个系统的数据流处理, 触发事务。(是框架核心)
-
调度器(Scheduler): 用来接受引擎发过来的请求, 将请求放入队列中, 并在引擎再次请求的时候返回.它来决定下一个要抓取的网址是什么, 同时担负着“网址去重”这一重要工作。
-
下载器(Downloader): 用于下载网页内容, 并将网页内容返回给爬虫(Spider)。下载器是建立在twisted这个高效的异步模型上的, 他是一个Python网络引擎框架)。
-
爬虫(Spiders):
①用于从特定网页中提取自己需要的信息。
②用户也可以从中提取出url连接, 然Scrapy继续爬取下一个页面
(这一部分由用户自己按需求编写,解析出想要的数据和连接)
-
项目管道(Pipeline): 负责处理爬虫从网页中抽取出的实体(Item),主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到管道,并经过几个特定的次序处理数据。
-
下载器中间件(Downloader Middlewares): 位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
-
爬虫中间件(Spider Middlewares): 介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
-
调度中间件(Scheduler Middewares): 介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
1.1. 一个Scrapy爬虫的工作流程
-
引擎(Engine)从蜘蛛(Spider)那里获取初始的要爬取的请求(Requests)
-
引擎(Engine)在调度器(scheduler)中调度(安排)这个请求(Requests), 并且索要下一个要爬取的请求(Requests)
-
调度器(sechuler)返回给引擎(Engine)下一个请求(Requests)
-
引擎(Engine)将这个请求发送给下载器(Downloader)
-
当一页完成下载, 下载器(Downloader)就(通过这一页)生成响应(Response), 并通过下载中间件(Downloader Middlerwares)将响应发送给引擎。
-
引擎(Engine)从下载器(Downloader)那里收到响应(Response),并将他传给下载
-
通过中间件(Spider Middlerware), 蜘蛛(Spider)处理响应(Response)并返回解析出Items和新的请求(Requests)到引擎(Engine)。
-
引擎将处理的Items发送给Item Piplines, 将处理的请求(Requests)返送给调度其(Scheduler)并且索要下一个要爬取的请求(Requests)
-
重复从第1个步骤(给人感觉从第3步, 但是官方给出的是第1步),知道没有额外的requests。
1.2. Scrapy的几个实例博客
参考
-
吕云翔 python网络爬虫实战 第9章