python爬虫学习之Scrapy框架的工作原理

一、Scrapy简介　

　　Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。 其最初是为了 页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。这里贴出Scrapy框架官方中文文档的链接。

二、Scrapy架构概览

　　接下来的图展现了Scrapy的架构，包括组件及在系统中发生的数据流的概览（绿色箭头所示）。下面对每个组件都做了简单介绍，数据流如下所描述。

　　

三、组件：　

• Scrapy Engine：引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分。
• 调度器(Scheduler)：调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。
• 下载器(Downloader)：下载器负责获取页面数据并提供给引擎，而后提供给spider。
• Spiders：Spider是Scrapy用户编写用于分析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。
• Item Pipeline：Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库中)。
• 下载器中间件(Downloader middlewares)：下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
• Spider中间件(Spider middlewares)：Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能

四、数据流(Data flow)：

　　Scrapy中的数据流由执行引擎控制，其过程如下:

　　　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。