思考

• scrapy 为什么是框架而不是库?
• scrapy是如何工作的?

项目结构

在开始爬取之前，必须创建一个新的Scrapy项目。进入您打算存储代码的目录中，运行下列命令:

注意:创建项目时，会在当前目录下新建爬虫项目的目录。

这些文件分别是:

• scrapy.cfg:项目的配置文件
• quotes/:该项目的python模块。之后您将在此加入代码
• quotes/items.py:项目中的item文件
• quotes/middlewares.py:爬虫中间件、下载中间件(处理请求体与响应体)
• quotes/pipelines.py:项目中的pipelines文件
• quotes/settings.py:项目的设置文件
• quotes/spiders/:放置spider代码的目录

Scrapy原理图

 

 

各个组件的介绍

1. Engine。引擎,处理整个系统的数据流处理、触发事务,是整个框架的核心。

2. ltem。项目,它定义了爬取结果的数据结构,爬取的数据会被赋值成该ltem对象。

3. Scheduler。调度器,接受引擎发过来的请求并将其加入队列中,在引擎再次请求的时候将请求提供给引擎。

4. Downloader。下载器,下载网页内容,并将网页内容返回给蜘蛛。

5. Spiders。蜘蛛,其内定义了爬取的逻辑和网页的解析规则,它主要负责解析响应并生成提结果和新的请求。

6. Item Pipeline。项目管道,负责处理由蜘蛛从网页中抽取的项目,它的主要任务是清洗、验证和存储数据。

7. Downloader Middlewares。下载器中间件,位于引擎和下载器之间的钩子框架,主要处理引擎与下载器之间的请求及响应。

8. Spider Middlewares。蜘蛛中间件,位于引擎和蜘蛛之间的钩子框架,主要处理蜘蛛输入的响应和输出的结果及新的请求。

 

 

数据的流动

• Scrapy Engine(引擎):负责Spider、ltemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

• Scheduler(调度器):负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

• Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，

• Spider(爬虫)︰负责处理所有Responses,从中分析提取数据，获取ltem字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，

• ltem Pipeline(管道):负责处理Spider中获取到的ltem，并进行进行后期处理(详细分析、过滤、存储等）的地方.

• Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。

• Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests)

出处：https://www.cnblogs.com/qshhl/p/14927447.html