学习记录 Scrapy五大核心组件及实现过程

五大核心组件

爬虫（Spider）、下载器（Downloader）、调度器（Scheduler）、引擎（Scrapy）、管道（Pipelines）

各个组件的功能：

​ 引擎：用来处理整个系统的数据流处理，触发事务（框架核心）

​ 调度器：用来接收引擎发过来的请求，使用过滤器去重后压入队列，并在引擎再次请求的时候返回，可以想象成一个URL（抓取网页的网址或者说是链接）的优先队列，由它决定下一个要抓取的网址是什么，同时去除重复的网址

​ 下载器：用于下载网页内容，并将网页内容返回给爬虫（scrapy下载器是建立在twisted这个高效的异步模型上的）

​ 爬虫：爬虫是主要干活的，用于从特定的网页中提取自己需要的信息（数据分析），即所谓的实体（Item）。用户也可以从中提取链接，让Scrapy继续抓取下一个页面

​ 管道：负责处理爬虫从网页中抽取的实体（Item），主要功能是持久化存储实体、验证实体的有效性、清楚不需要的信息。当页面被爬虫解析后，将被提交到管道，并经过几个特定的次序处理数据。