Scrapy爬虫框架解析

Scrapy框架解析

Scrapy框架大致包括以下几个组件：Scrapy Engine、Spiders、Scheduler、Item Pipeline、Downloader；

组件

Scrapy Engine

这是框架的核心，负责控制数据流在整个系统的各个组件间的流动过程，并且在特定动作发生时触发相应事件。

Scheduler

调度程序从Scrapy引擎接受其传递过来的Request对象，并且将该对象加入到队列中，下次Scrapy引擎发出请求时再将对象传递给引擎。

Downloader

下载器负责对目标页面发出请求并且获取到页面反馈的数据，之后传递给Scrapy引擎，最终传递给爬虫进行数据提取。

Spiders

爬虫是Scrapy的用户自行编写的程序用来提取数据，针对下载器返沪的Response进行分析，或者指定其它需要跟进的URL和处理方法。

Item Pipeline

数据管道负责处理被爬虫提取出来的Item数据，可以定义多个数据管道来做多种不同的数据操作，比如数据清理、验证、写入数据库；Item可以在不同的数据管道中进行传递，可以设置每个数据管道的优先级，Item会按照优先级依次经过所有的数据管道。

流程

它的流程图如下：

步骤如下：

1. 启动爬虫程序时，引擎开始爬取程序中给定的爬虫，然后获取到需要抓取的URL网址（可以通过爬虫类的属性Start_urls来指定或者重载爬虫类的start_request方法指定），然后将URL网址的Request传递给调度器；
2. 下载器从调度器那获取到相应的请求后发出请求，获得页面返回的数据，将返回的数据以Response的形式传递给爬虫；
3. 爬虫针对Response中的数据进行分析，提取出相应的数据以后，将数据填充到Item中，并且传递给数据管道；
4. 数据管道根据优先级顺序对Item依次进行处理，经过验证等后将Item中的数据保存到数据库中；
5. 继续从调度器中获取到下一个URL请求传递给下载器，重复第二步后的步骤；
6. 调度器中没有请求时，爬虫引擎则停止程序；