Scrapy工作原理

目录

1. Scrapy旧版架构图（绿线是数据流向）

old

  • Spiders(爬虫)：负责处理所有Responses，从中分析提取数据，获取Items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)。
  • Engine(引擎)：负责Spider、Item Pipeline、Downloader、Scheduler中间的通讯、信号以及数据传递等。
  • Scheduler(调度器)：负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列和入队，当引擎需要时，交还给引擎。
  • Downloader(下载器)：负责下载引擎发送的所有Requests请求，并将其获取到的Responses交还给引擎，由引擎交给Spider来处理。
  • Item Pipeline(管道)：负责处理Spider中获取到的Items，并进行后期处理（如详细分析、过滤、存储等）。
  • Downloader Middlewares（下载中间件）：一个可以自定义下载功能的组件。
  • Spider Middlewares（Spider中间件）：一个可以自定义引擎和Spider交互的组件。
  • 通信的功能组件：如进入Spider的Responses和从Spider出去的Requests。

2. Scrapy新版架构图

new

1. 组件介绍

  • Scrapy Engine（引擎）：引擎负责控制数据流在所有组件中的流动，并在相应动作发生时触发事件。
  • Scheduler（调度器）：调度器从引擎接受Request并将他们入队，以便之后引擎请求他们时提供给引擎。
  • Downloader（下载器）：下载器负责获取页面数据并提供给引擎，而后提供给Spiders。
  • Spiders（爬虫）：Spiders是用户编写用于分析Response并提取items(即获取到的items)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。 更多内容请看 Spiders 。
  • Item Pipeline（管道）：Item Pipeline负责处理被Spider提取出来的items。典型的处理有清理、 验证及持久化(例如存取到数据库中)。 更多内容查看 Item Pipeline 。
  • Downloader Middlewares（下载器中间件）：下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的Response（也包括引擎传递给下载器的Request），即处理下载请求。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。更多内容请看Downloader Middleware 。
  • Spider middlewares（爬虫中间件）：Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理Spider的输入(Response)和输出(Items及Requests)，即处理解析。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。更多内容请看 Spider Middleware 。

2. 数据流（Data Flow）

  1. 引擎打开一个网站(open a domain)，找到处理该网站的Spiders并向该Spiders请求第一个要爬取的URL(s)。
  2. 引擎从Spiders中获取到第一个要爬取的URL(s)并在调度器(Scheduler)以Request调度。
  3. 引擎向调度器请求下一个要爬取的URL(s)。
  4. 调度器返回下一个要爬取的URL(s)给引擎，引擎将URL(s)通过下载中间件(请求(Request)方向)转发给下载器(Downloader)。
  5. 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(Response)方向)发送给引擎。
  6. 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spiders处理。
  7. Spiders处理Response并返回爬取到的Item及（跟进的）新的Request给引擎。
  8. 引擎将(Spiders返回的)爬取到的Item推送给Item Pipelines，将(Spiders返回的)Request推送给调度器。
  9. (从第二步)重复直到调度器中没有更多的Request，引擎关闭该网站。

3. 使用Scrapy框架爬虫的重要命令

创建项目：scrapy startproject xxx (项目名)
进入项目：cd xxx 
基本爬虫：scrapy genspider xxx（爬虫名） xxx.com （爬取域） 
规则爬虫：scrapy genspider -t crawl xxx（爬虫名） xxx.com （爬取域） 
运行命令：scrapy crawl xxx（项目名） -o xxx（项目名）.json

4. Middlewares主要方法

1. Spider Middlewares： 处理解析Items的相关逻辑修正，比如数据不完整要添加默认，增加其他额外信息等

  • process_spider_input(response, spider)：当Response通过spider中间件时，该方法被调用，处理该Response。
  • process_spider_output(response, result, spider)：当Spider处理Response返回result时，该方法被调用。
  • process_spider_exception(response, exception, spider)：当spider或(其他spider中间件的) process_spider_input()抛出异常时， 该方法被调用。

2. Downloader Middlewares：处理发出去的请求（Request）和返回结果（Response）的一些回调

  • process_request(request, spider)：当每个request通过下载中间件时，该方法被调用，这里可以修改UA，代理，Refferer
  • process_response(request, response, spider)： 这里可以看返回是否是200加入重试机制
  • process_exception(request, exception, spider)：这里可以处理超时

参考：https://blog.csdn.net/baidu_32542573/article/details/79415947
    https://blog.csdn.net/qq_37143745/article/details/80996707

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/yueyun00/p/10478640.html