Scrapy基本知识点

整体架构

• 引擎(Scrapy Engine)，用来处理整个系统的数据流处理，触发事务。
• 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。
• 下载器(Downloader)，用于下载网页内容，并将网页内容返回给蜘蛛。
• 蜘蛛(Spiders)，蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。
• 项目管道(Item Pipeline)，负责处理有蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
• 下载器中间件(Downloader Middlewares)，位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 蜘蛛中间件(Spider Middlewares)，介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middlewares)，介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应

数据流

1. 引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
2. 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
3. 引擎向调度器请求下一个要爬取的URL。
4. 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
5. 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。
6. 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
7. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8. 引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。
9. (从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

参考

• https://www.jianshu.com/p/a8aad3bf4dc4

两篇好文

• https://cuiqingcai.com/3472.html
• https://blog.csdn.net/ReeeeeeStart/article/details/79327359

框架结构

数据流（requests，response）的三个路径 ：

第一条路径：

① ：Engine从Spider处获得爬取请求(Request)

② ：Engine将爬取请求转发给Scheduler，用于调度

第二条路径：

③ ：Engine从Scheduler处获得下一个要爬取的请求

④ ：Engine将爬取请求通过中间件发送给Downloader

⑤ ：爬取网页后，Downloader形成响应（Response） 通过中间件发给Engine

⑥ ： Engine将收到的响应通过中间件发送给Spider处理

第三条路径：

⑦ ：Spider处理响应后产生爬取项（scraped Item） 和新的爬取请求（Requests）给Engine

⑧ ：Engine将爬取项发送给Item Pipeline（框架出口）并且Engine将爬取请求发送给Scheduler

数据流的出入口：

Engine控制各模块数据流，不间断从Scheduler处 获得爬取请求，直至请求为空

框架入口：Spider的初始爬取请求

框架出口：Item Pipeline

各模块（结构）的作用：

Spider（需要用户编写配置代码）：

• (1)解析Downloader返回的响应（Response）
• (2)产生爬取项（scraped item）
• (3)产生额外的爬取请求（Request）

Item Pipelines （需要用户编写配置代码）：

• (1)以流水线方式处理Spider产生的爬取项
• (2)由一组操作顺序组成，类似流水线，每个操 作是一个Item Pipeline类型
• (3)可能操作包括：清理、检验和查重爬取项中 的HTML数据、将数据存储到数据库

Engine（不需要用户修改）：

• (1)控制所有模块之间的数据流
• (2)根据条件触发事件

Downloader（不需要用户修改）： 根据请求下载网页

Scheduler（不需要用户修改）： 对所有爬取请求进行调度管理

Downloader Middleware（用户可以编写配置代码）：

• 目的：实施Engine、Scheduler和Downloader 之间进行用户可配置的控制
• 功能：修改、丢弃、新增请求或响应

Spider Middleware（用户可以编写配置代码）：

• 目的：对请求和爬取项的再处理
• 功能：修改、丢弃、新增请求或爬取项