Scrapy 架构介绍

Scrapy 架构

它可以分为如下的几个部分。

• Engine引擎(大总管)，用来处理整个系统的数据流处理，触发事务，是整个框架的核心。
• Item，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对象。
• Scheduler， 调度器，用来接受引擎发过来的请求并加入队列中，并在引擎再次请求的时候提供给引擎，可以想像成一个URL的优先级队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
• Downloader，下载器，用于下载网页内容，并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的
• Spiders，蜘蛛，是开发人员自定义的类，里面有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取结果和新的请求。
• Item Pipeline，项目管道，在items被提取后负责处理它们，它的主要任务是清洗、验证和存储数据。
• Downloader Middlewares，下载器中间件，位于引擎和下载器之间的钩子框架，主要是处理引擎与下载器之间的请求及响应。（用的最多，加头，加代理，加cookie，集成selenium）
• Spider Middlewares， 蜘蛛中间件，位于引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛输入的响应和输出的结果及新的请求。

两个桥梁

数据流

Scrapy 中的数据流由引擎控制，其过程如下:

• Engine 首先打开一个网站，找到处理该网站的 Spider 并向该 Spider 请求第一个要爬取的 URL。
• Engine 从 Spider 中获取到第一个要爬取的 URL 并通过 Scheduler 以 Request 的形式调度。
• Engine 向 Scheduler 请求下一个要爬取的 URL。
• Scheduler 返回下一个要爬取的 URL 给 Engine，Engine 将 URL 通过 Downloader Middlewares 转发给 Downloader 下载。
• 一旦页面下载完毕， Downloader 生成一个该页面的 Response，并将其通过 Downloader Middlewares 发送给 Engine。
• Engine 从下载器中接收到 Response 并通过 Spider Middlewares 发送给 Spider 处理。
• Spider 处理 Response 并返回爬取到的 Item 及新的 Request 给 Engine。
• Engine 将 Spider 返回的 Item 给 Item Pipeline，将新的 Request 给 Scheduler。
• 重复第二步到最后一步，直到 Scheduler 中没有更多的 Request，Engine 关闭该网站，爬取结束。

通过多个组件的相互协作、不同组件完成工作的不同、组件对异步处理的支持，Scrapy 最大限度地利用了网络带宽，大大提高了数据爬取和处理的效率。