Scrapy与分布式开发(3)：Scrapy核心组件与运行机制

Scrapy核心组件与运行机制

引言

这一章开始讲解Scrapy核心组件的功能与作用，通过流程图了解整体的运行机制，然后了解它的安装与项目创建，为后续实战做好准备。

Scrapy定义

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。它使用Python语言编写，并基于异步网络框架Twisted来实现高性能的爬虫。Scrapy最初是为了页面抓取（更确切地说是网络抓取）而设计的，但它也可以用于获取API返回的数据或通用的网络爬虫。

体系结构图

Scrapy核心组件

Scrapy框架主要由以下几个核心组件构成：

• 引擎（Engine）：Scrapy的引擎负责控制数据流在系统中所有组件之间的流动。它接收请求并将其分派给调度器，同时也接收来自下载器的响应并将其分派给相应的Spider进行处理。
• 调度器（Scheduler）：调度器负责接收请求并将其加入队列中，以便在引擎空闲时按一定的顺序分派给下载器。Scrapy默认使用优先级队列来实现调度器。
• 下载器（Downloader）：下载器负责获取网页内容。当引擎将请求分派给下载器时，下载器会向目标网站发起请求，并将获取到的响应返回给引擎。
• Spider：Spider是Scrapy框架中的核心组件之一，负责处理网页内容并提取结构化数据。每个Spider都需要定义一个或多个解析方法，用于从响应中提取数据。
• 项目管道（Item Pipeline）：项目管道负责处理Spider提取的数据。你可以在管道中定义一系列的数据处理步骤，如数据清洗、数据验证和数据持久化等。
• 中间件（Middlewares）：中间件是Scrapy框架中的一个重要概念，它允许你在请求和响应的处理过程中插入自定义的逻辑。Scrapy提供了下载器中间件和Spider中间件，分别用于处理下载过程中的请求和响应，以及Spider处理过程中的请求和响应。

Scrapy组件之间的交互过程深度解析

Scrapy的各个组件之间的交互过程就像是一个协同工作的流水线，每个组件都有自己特定的任务，并且它们通过消息传递进行交互，确保数据的流畅传递和处理。

1. 起始阶段：Spider与引擎的交互

   • Spider：首先，Spider会将自己感兴趣的URL或URL模式告知引擎。这是整个流程的起点。
   • 引擎：引擎接收到Spider提供的URL后，将其封装成一个请求（Request）对象。

2. 调度阶段：引擎与调度器的交互

   • 引擎：引擎将封装好的请求对象传递给调度器。
   • 调度器：调度器会检查这个请求是否已经被处理过（去重），如果没有，则将其放入待处理队列中。

3. 下载阶段：引擎与下载器的交互

   • 引擎：引擎从调度器队列中取出一个请求，并交给下载器。
   • 下载器：下载器根据请求中的URL，发送HTTP请求到目标网站，并下载网页内容。

4. 解析阶段：引擎与爬虫的交互

   • 下载器：下载完成后，下载器将下载的网页内容（即响应对象，Response）返回给引擎。
   • 引擎：引擎将响应对象交给爬虫进行解析。
   • 爬虫：爬虫根据预设的规则，解析响应对象，提取出需要的数据，并可能生成新的请求（比如点击链接、进行分页等）。

5. 数据处理阶段：引擎与项目管道的交互

   • 爬虫：爬虫将解析得到的数据和新的请求返回给引擎。
   • 引擎：引擎将解析得到的数据交给项目管道进行进一步的处理，如清洗、验证和存储。
   • 项目管道：项目管道处理完数据后，可以选择将其存储到数据库、文件或其他存储介质中。

6. 循环与结束

   • 引擎：对于爬虫生成的新请求，引擎会重复上述流程（从调度阶段开始），直到调度器中没有更多的请求，或者达到了某种终止条件（如达到设定的爬取数量、时间等）。
   • 结束：当所有请求都处理完毕，且没有新的请求生成时，整个Scrapy流程结束。

在这个过程中，每个组件都扮演着特定的角色，并通过消息传递进行交互。这种协同工作的模式使得Scrapy能够高效地爬取和处理网页数据。同时，Scrapy还提供了丰富的中间件机制，允许用户自定义和扩展各个组件之间的交互过程，以满足更复杂的爬取需求。

Scrapy安装与项目创建

Scrapy的安装

首先，确保你的Python版本是3.6或以上，因为Scrapy需要Python 3.6+。你可以使用以下命令来安装Scrapy：

pip install scrapy

如果你想卸载Scrapy，可以使用以下命令：

pip uninstall scrapy

如果你需要安装特定版本的Scrapy（例如2.6.1版本），可以使用以下命令：

pip install scrapy==2.6.1

安装完成后，你可以通过以下命令来检查Scrapy是否成功安装：

pip list

在列表中，你应该能看到Scrapy及其版本号。

创建Scrapy项目

安装完Scrapy后，你可以开始创建一个新的Scrapy项目。打开终端或命令行，然后导航到你想要创建项目的目录，并使用以下命令来创建一个新的Scrapy项目：

scrapy startproject myproject

这里的myproject是你的项目名称，你可以根据自己的需要来命名。执行上述命令后，Scrapy会在当前目录下创建一个名为myproject的新文件夹，其中包含了一些基本的文件和目录结构。

接下来，你可以在myproject目录下创建一个新的爬虫。使用以下命令来生成一个新的爬虫文件：

cd myproject
scrapy genspider myspider example.com

这里的myspider是你的爬虫名称，example.com是你要爬取的网站域名。执行上述命令后，Scrapy会在myproject/spiders目录下创建一个名为myspider.py的新文件，其中包含了一个基本的爬虫框架。

演示流程图

注意，安装scrapy需要进入python环境，如果大家是使用Anaconda安装的python环境，需要进去指定的环境才能进行下面操作，实际上我们直接在pycharm中进行即可

进入指定环境和目录，输入scrapy验证已安装scrapy

创建项目coreSpider，命令是scrapy startproject coreSpider

进入新创建好的coreSpider目录，先拿百度为例创建爬虫脚本

再使用pycharm打开新创建好的项目即可

项目构成