Scrapy爬虫数据架构图

朱雀 2023-06-11 08:28 5阅读 0赞

Scrapy是基于用Python写的一个流行的事件驱动网络框架Twisted编写的。因此，它使用非阻塞(即异步)代码实现并发。

旧版Scrapy架构图 :

![20180301181512999][]

新版Scrapy架构图 :

![20180502174530976][]

Scrapy中的数据流由执行引擎控制，如下所示:

1.  Engine获得从爬行器中爬行的初始请求。
2.  Engine在调度程序中调度请求，并请求下一次抓取请求。
3.  调度程序将下一个请求返回到引擎。
4.  引擎将请求发送到下载器，通过下载器中间件（请参阅process\_request()）。
5.  页面下载完成后，下载器生成一个响应(带有该页面)并将其发送给引擎，通过下载器中间件(请参阅process\_response())。
6.  引擎从下载加载程序接收响应，并将其发送给Spider进行处理，并通过Spider中间件(请参阅process\_spider\_input())。
7.  Spider处理响应，并向引擎返回报废的项和新请求(要跟踪的)，通过Spider中间件(请参阅process\_spider\_output())。
8.  引擎将已处理的项目发送到项目管道，然后将已处理的请求发送到调度程序，并请求可能的下一个请求进行抓取。
9.  这个过程重复(从第1步)，直到调度程序不再发出请求。

### Scrapy各组件介绍： ###

*  **Scrapy Engine  ---  Scrapy引擎 :**

**Scrapy Engine **负责 Spider、ItemPipeline、Downloader、Scheduler 中间的通讯，信号、数据传递等。

*  **Scheduler  ---  调度器 :**

**Scheduler  **负责接收 引擎 发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给 引擎。

*  **Downloader  ---  下载器 :**

**Downloader  **负责下载 Scrapy Engine(引擎) 发送的所有Requests请求，并将其获取得到的Responses交还给 Scrapy Engine(引擎) ，由 引擎 交给 Spider 处理，

*  **spider  ---  爬虫 :**

**spider  **负责处理所有的Responses，从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给 引擎，再次进入 Scheduler(调度器)，

*  **Item Pipeline --- 项目管道 :**

**Item Pipeline** 负责处理 Spider 中获取到的Item，并进行后期处理(详细分析、过滤、存储等)的地方。

*  **Downloader Middlewares  ---  下载中间件 :**

**Downloader Middlewares** 可以当作是一个可以自定义扩展下载功能的组件。

*  **Spider Middlewares  --- 爬虫中间件 :**

你可以理解为是一个可以自定义扩展和操作 引擎 和 Spider 中间 通信 的功能(比如进入 Spider 的Responses，和从 Spider 出去的Requesrs)

**使用Spider中间件场景：**

1.  Spider回调的后处理输出-更改/添加/删除请求或项;
2.  后处理start\_requests;
3.  处理Spider异常;
4.  对一些基于响应内容的请求调用errback而不是回调。

**如果您需要执行以下操作之一，请使用下载器中间件:**

1.  在将请求发送到Downloader之前处理请求(即在Scrapy将请求发送到网站之前);
2.  更改在传递给Spider之前收到响应;
3.  发送一个新的请求，而不是将接收到的响应传递给爬行器;
4.  将响应传递给Spider，而不获取web页面;
5.  静静地丢掉一些请求。

### Scrapy的运作流程 ： ###

**代码写好，程序开始运行 ...**

1.  引擎 ：Hi！Spider ，你要处理哪一 个网站？
2.  Spider ：老大要我处理 xxx .com.T
3.  引擎 ：你把第一个需要处理的URL给我吧。
4.  Spider ：给你，第一个URL是 xxxxxx .com。
5.  引擎 ：Hi！调度器，我这有request请求你帮我排序入队一下。
6.  调度器 ：好的，正在处理你等一下。
7.  引擎 ：Hi！调度器 ，把你处理好的request请求给我。
8.  调度器 ：给你，这是我处理好的request
9.  引擎 ：Hi！下载器，你按照老大的 下载中间件 的设置帮我下载一下这个request请求
10. 下载器 ：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后 引擎 告诉 调度器 ，这个request下载失败了，你记录一下，我们待会儿再下载）
11. 引擎 ：Hi！Spider，这是下载好的东西，并且已经按照老大的 下载中间件 处理过了，你自己处理一 下  
    （注意！这儿responses默认是交给 def parse() 这个函数处理的）

### 制作Scrapy爬虫 一共需要4步： ###

*  新建项目 （scrapyQtartproject xxx）：新建一个新的爬虫项目
 *  明确目标 （编写items.py）：明确你想要抓取的目标
 *  制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
 *  存储内容( （pipelines.py）：设计管道存储爬取内容

[20180301181512999]: /images/20230531/215a583751964522a20b54d6234da204.png
[20180502174530976]: /images/20230531/2edce9f9df184272af22d4c9a8c86bad.png