Python爬虫 | 一博看懂 Scrapy 五大核心组件及其运行机制（spiders、引擎、调度器、下载器、管道）

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。