scrapy架构简介

一.scrapy架构介绍

　　1.结构简图：

　　　　主要组成部分：Spider（产出request，处理response），Pipeline，Downloader，Scheduler，Scrapy Engine

　　2.结构详细图：

　　　　主要步骤（往复循环）：

　　　　　　　　1.Spiders（自己书写的爬虫逻辑，处理url及网页等【spider genspider -t 指定模板  爬虫文件名 域名】),返回Requests给engine——>

　　　　　　　　2.engine拿到requests返回给scheduler（什么也没做）——>

　　　　　　　　3.然后scheduler会生成一个requests交给engine（url调度器）——>

　　　　　　　　4.engine通过downloader的middleware一层一层过滤然后将requests交给downloader——>

　　　　　　　　5.downloader下载完成后又通过middleware过滤将response返回给engine——>

　　　　　　　　6.engine拿到response之后将response通过spiders的middleware过滤后返回给spider，然后spider做一些处理（如返回items或requests）——>

　　　　　　　　7.spiders将处理后得到的一些items和requests通过中间件过滤返回给engine——>

　　　　　　　　8.engine判断返回的是items或requests，如果是items就直接返回给item pipelines，如果是requests就将requests返回给scheduler（和第二步一样）　　　　　　　

　　　　

　　　　源码简介：　

源码核心的东西

　　　　　　engine.py中介绍：通过_next_request_from_scheduler判断是否有requests（request返回给engine直接返回给scheduler【第一步】），request会首先调用schedule（）函数发送给schedule（第二步），然后返回给engine

　　　　　　downloader简介：

可以处理很多类型的下载

　　　　Request和Response简介：

class Request(object_ref):

    def __init__(self, url, callback=None, method='GET', headers=None, body=None,
                 cookies=None, meta=None, encoding='utf-8', priority=0,
                 dont_filter=False, errback=None, flags=None):
......

　　　　　　官网介绍（具体官网网址：https://doc.scrapy.org/en/latest/topics/request-response.html）：

参 数：

url（字符串） - 此请求的URL callback（callable） - 将使用此请求的响应（一旦下载）调用的函数作为其第一个参数。有关更多信息，请参阅下面将其他数据传递给回调函数。如果请求未指定回调，则将使用spider的 parse()方法。请注意，如果在处理期间引发异常，则会调用errback。 method（string） - 此请求的HTTP方法。默认为'GET'。 meta（dict） - Request.meta属性的初始值。如果给定，则此参数中传递的dict将被浅层复制。 body（str 或unicode） - 请求体。如果a unicode被传递，则str使用传递的编码（默认为utf-8）对其 进行编码。如果 body未给出，则存储空字符串。无论此参数的类型如何，存储的最终值都是str（从不 unicode或None）。 headers（dict） - 此请求的标头。dict值可以是字符串（对于单值标头）或列表（对于多值标头）。如果 None作为值传递，则根本不会发送HTTP标头。 cookies（字典或清单） - 请求cookie。这些可以以两种形式发送。 使用词典： request_with_cookies = Request(url="http://www.example.com", cookies={'currency': 'USD', 'country': 'UY'}) 使用dicts列表： request_with_cookies = Request(url="http://www.example.com", cookies=[{'name': 'currency', 'value': 'USD', 'domain': 'example.com', 'path': '/currency'}]) 后一种形式允许自定义 cookie的属性domain和path属性。这仅在保存cookie以供以后请求时才有用。 当某个站点返回cookie（在响应中）时，这些cookie存储在该域的cookie中，并将在将来的请求中再次发送。这是任何常规Web浏览器的典型行为。但是，如果由于某种原因，您希望避免与现有Cookie合并，则可以通过将dont_merge_cookies密钥设置为True 来指示Scrapy执行此操作 Request.meta。 不合并cookie的请求示例： request_with_cookies = Request(url="http://www.example.com", cookies={'currency': 'USD', 'country': 'UY'}, meta={'dont_merge_cookies': True}) encoding（字符串） - 此请求的编码（默认为'utf-8'）。此编码将用于对URL进行百分比编码并将正文转换为str（如果给定unicode）。 priority（int） - 此请求的优先级（默认为0）。调度程序使用优先级来定义用于处理请求的顺序。具有更高优先级值的请求将更早执行。允许使用负值以指示相对较低的优先级。 dont_filter（boolean） - 表示调度程序不应过滤此请求。当您想要多次执行相同的请求时，可以使用此选项来忽略重复过滤器。小心使用它，否则您将进入爬行循环。默认为False。 errback（callable） - 在处理请求时引发任何异常时将调用的函数。这包括因404 HTTP错误而失败的页面等。它接收Twisted Failure实例作为第一个参数。有关更多信息，请参阅下面的使用errbacks捕获请求处理中的异常。 flags（list） - 发送给请求的标志，可用于日志记录或类似目的。

class Response(object_ref):

    def __init__(self, url, status=200, headers=None, body=b'', flags=None, request=None):
        self.headers = Headers(headers or {})
        self.status = int(status)
        self._set_body(body)
        self._set_url(url)
        self.request = request
        self.flags = [] if flags is None else list(flags)
......

参数：	url（字符串） - 此响应的URL status（整数） - 响应的HTTP状态。默认为200。 headers（dict） - 此响应的标头。dict值可以是字符串（对于单值标头）或列表（对于多值标头）。 body（字节） - 响应主体。要将解码后的文本作为str（Python 2中的unicode）访问，您可以使用response.text来自编码感知的 Response子类，例如TextResponse。 flags（列表） - 是包含Response.flags属性初始值的列表 。如果给定，列表将被浅层复制。 request（Requestobject） - Response.request属性的初始值。这表示Request生成此响应的内容。