一、 五大核心组件运行机制
本来准备所有流程画到一张图当中,画完了发现这图只能让懂的人看懂,不懂的人还是看不懂,于是将图拆成三个部分。
1. 发起请求
spider
将请求对象提交给引擎,引擎将请求对象转发给调度器,调度器对请求对象去重,将去重后的请求对象装到队列当中,调度器将请求对象逐一给引擎,引擎将调度对象转发给下载器,下载器拿到请求对象之后,对网站发起请求。
2. 解析数据
下载器接收到网站返回的
response
,将response
发送给引擎,引擎转发给spider
做页面数据的提取xpath
解析。
3. 持久化存储
spider
将解析好的数据发送给引擎,引擎将数据转发给管道,管道将数据进行持久化存储。
4. 保存版汇总图
二、 五大核心组件
引擎(Scrapy)
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(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来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(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
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, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体,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,将被发送到项目管道,并经过几个特定的次序处理数据。