「Scrapy 爬虫框架」架构解析（Architecture overview）详解

忘是亡心i 2022-10-26 03:47 136阅读 0赞

### 文章目录 ###

*  内容介绍
 *  业务处理流程
 *  各个组件部分

# 内容介绍 #

开发环境为 Python3.6，Scrapy 版本 2.4.x ，爬虫项目全部内容索引目录

[看懂Python爬虫框架，所见即所得一切皆有可能][Python]

本章带你学习基于 **Python3** 的 **Scrapy 爬虫框架** 中数据爬取过程中Scrapy的体系结构及其组件之间的交互方式的过程。

代码内容基于「Scrapy 爬虫框架」源码版本 2.4.0 ，更新内容会进行标记说明对应版本。

# 业务处理流程 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]

1.  该引擎获取从最初请求爬行spider。
2.  该引擎安排在请求调度程序和要求下一个请求爬行。
3.  该计划返回下一请求的引擎。
4.  该引擎发送请求到下载器，通过下载器中间件。
5.  页面下载完成后， **Downloader** 会生成一个带有该页面的响应，并将其发送到Engine，并通过 **Downloader Middlewares** 。
6.  该引擎接收来自响应 下载器并将其发送到所述 spider进行处理，通过spider中间件。
7.  该spider处理响应并返回刮下的项目和新的要求（跟随）的 引擎，通过spider中间件。
8.  该引擎发送处理的项目，以项目管道，然后把处理的请求的调度，并要求新的请求爬行。
9.  重复该过程（从步骤1开始），直到不再有Scheduler的请求为止 。

# 各个组件部分 #

1.  **Scrapy引擎**  
    引擎负责控制系统所有组件之间的数据流，并在发生某些操作时触发事件。
2.  **Scheduler**  
    调度程序从引擎接收请求，并在引擎请求它们时将它们排队，以便以后将它们（也发送到引擎）提供给它们。
3.  **Downloader**  
    下载器负责获取网页并将其馈送到引擎，引擎又将其馈给spider。
4.  **Spiders**  
    spider是由Scrapy用户写入解析响应和提取自定义类的Item。
5.  **Item Pipeline**  
    一旦 **spider** 将它们提取（或 **Scrapy** ），项目管道负责处理项目。典型的任务包括清理，验证和持久性（例如将项目存储在数据库中）。  
    如果需要执行以下操作之一，请使用Downloader中间件：

*  在将请求发送到下载器之前处理请求（即，在 **Scrapy** 将请求发送到网站之前）；
 *  在传递给 **spider** 之前更改收到的响应；
 *  发送新的请求，而不是将收到的响应传递给 **spider** ；
 *  将响应传递给 **spider** ，而无需获取网页；
 *  默默地丢弃一些请求。

1.  **Spider middlewares**  
    蛛中间件是位于引擎和spider之间的特定挂钩，并且能够处理spider的输入（响应）和输出（项目和请求）。  
    如果需要执行以下操作之一，请使用 **Spider中间件**

*  spider 回调的后处理输出-更改/添加/删除请求或项目；
 *  后处理 **start\_requests** ;
 *  处理 **spider** 异常；
 *  根据响应内容，对某些请求调用 errback 而不是回调。

1.  **Event-driven networking**  
    Scrapy用Twisted编写，Twisted是一种流行的事件驱动的Python网络框架。因此，使用异步代码并发实现的。

[Python]: https://blog.csdn.net/qq_20288327/article/details/120575605
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]: /images/20221024/a223c31ef3384d33bb98254af710d75a.png