Scrapy框架五大核心组件
- 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)
- 用来接收引擎发过来的请求(去重后)压入队列,并在引擎再次请求时返回队列
- 下载器(downloader)
- 用来下载网页内容,并将网页内容以response的形式返回给蜘蛛(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, 它可以生成url, 并从特定的url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。解析数据。
- 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.