Scrapy框架的工作原理是什么?

Scrapy框架的工作原理是什么?

Scrapy架構(gòu)

學(xué)習(xí)Scrapy框架，從理解它的架構(gòu)開始。圖1所示是Scrapy的架構(gòu)圖。

從圖1可知，Scrapy框架主要包含以下組件：

(1)Scrapy Engine(引擎)：負(fù)責(zé)Spider、Item Pipeline、Downloader、Scheduler之間的通訊，包括信號(hào)和數(shù)據(jù)的傳遞等。

(2)Scheduler(調(diào)度器)：負(fù)責(zé)接受引擎發(fā)送過來的Request請(qǐng)求，并按照一定的方式進(jìn)行整理排列和入隊(duì)，當(dāng)引擎需要時(shí)，交還給引擎。

(3)Downloader(下載器)：負(fù)責(zé)下載Scrapy Engine(引擎)發(fā)送的所有Requests(請(qǐng)求)，并將其獲取到的Responses(響應(yīng))交還給Scrapy Engine(引擎)，由引擎交給Spider來處理。

(4)Spiders(爬蟲)：負(fù)責(zé)處理所有Responses，從中分析提取數(shù)據(jù)，獲取Item字段需要的數(shù)據(jù)，并將需要跟進(jìn)的URL提交給引擎，再次進(jìn)入Scheduler(調(diào)度器)。

(5)Item Pipeline(管道)：負(fù)責(zé)處理Spiders中獲取到的Item數(shù)據(jù)，并進(jìn)行后期處理(詳細(xì)分析、過濾、存儲(chǔ)等)。

(6)Downloader Middlewares(下載中間件)：是一個(gè)可以自定義擴(kuò)展下載功能的組件。

(7)Spider Middlewares(Spider中間件)：是一個(gè)可以自定義擴(kuò)展Scrapy Engine和Spiders中間通信的功能組件(比如進(jìn)入Spiders的Responses和從Spiders出去的Requests)。

Scrapy的這些組件通力合作，共同完成整個(gè)爬取任務(wù)。架構(gòu)圖中的箭頭是數(shù)據(jù)的流動(dòng)方向，首先從初始URL開始，Scheduler會(huì)將其交給Downloader進(jìn)行下載，下載之后會(huì)交給Spider進(jìn)行分析，Spider分析出來的結(jié)果有兩種：一種是需要進(jìn)一步抓取的鏈接，例如之前分析的“下一頁”的鏈接，這些東西會(huì)被傳回Scheduler;另一種是需要保存的數(shù)據(jù)，它們則被送到Item Pipeline那里，那是對(duì)數(shù)據(jù)進(jìn)行后期處理(詳細(xì)分析、過濾、存儲(chǔ)等)的地方。另外，在數(shù)據(jù)流動(dòng)的通道里還可以安裝各種中間件，進(jìn)行必要的處理。

Scrapy框架的運(yùn)作流程

Scrapy的運(yùn)作流程由引擎控制，其過程如下所示：

(1)引擎向Spider請(qǐng)求第一個(gè)要爬取的URL(s)。

(2)引擎從Spider中獲取到第一個(gè)要爬取的URL，封裝成Request并交給調(diào)度器。

(3)引擎向調(diào)度器請(qǐng)求下一個(gè)要爬取的Request。

(4)調(diào)度器返回下一個(gè)要爬取的Request給引擎，引擎將Request通過下載中間件轉(zhuǎn)發(fā)給下載器。

(5)一旦頁面下載完畢，下載器生成一個(gè)該頁面的Response，并將其通過下載中間件發(fā)送給引擎。

(6)引擎從下載器中接收到Response并通過Spider中間件發(fā)送給Spider處理。

(7)Spider處理Response并返回爬取到的Item及新的Request給引擎。

(8)引擎將爬取到的Item給Item Pipeline，將Request給調(diào)度器。

(9)從(2)開始重復(fù)，直到調(diào)度器中沒有更多的Request。

多學(xué)一招：Scrapy擬人小劇場(chǎng)

為了幫助大家更好地理解Scrapy的一次完整運(yùn)行流程，我們可以把Scrapy的運(yùn)作流程用擬人小劇場(chǎng)的方式進(jìn)行表現(xiàn)，如下所示：

(1)引擎：Hi!Spider，你要處理哪一個(gè)網(wǎng)站?

(2)Spider：老大要我處理xxxx.com。

(3)引擎：你把第一個(gè)需要處理的URL給我吧。

(4)Spider：給你，第一個(gè)URL是xxxxxxx.com。

(5)引擎：Hi!調(diào)度器，我這有Request請(qǐng)求，你幫我排序入隊(duì)一下。

(6)調(diào)度器：好的，正在處理，你等一下。

(7)引擎：Hi!調(diào)度器，把你處理好的Request請(qǐng)求給我。

(8)調(diào)度器：給你，這是我處理好的Request。

(9)引擎：Hi!下載器，你按照老大的下載中間件的設(shè)置幫我下載一下這個(gè)Request請(qǐng)求。

(10)下載器：好的!給你，這是下載好的東西。(如果失?。篠orry，這個(gè)Request下載失敗了。然后引擎告訴調(diào)度器，這個(gè)Request下載失敗了，你記錄一下，我們待會(huì)兒再下載)。

(11)引擎：Hi!Spider，這是下載好的東西，并且已經(jīng)按照老大的下載中間件處理過了，你自己處理一下(注意!這兒Responses默認(rèn)是交給def parse()這個(gè)函數(shù)處理的)。

(12)Spider：(處理完畢數(shù)據(jù)之后對(duì)于需要跟進(jìn)的URL)，Hi!引擎，我這里有兩個(gè)結(jié)果，這個(gè)是我需要跟進(jìn)的URL，還有這個(gè)是我獲取到的Item數(shù)據(jù)。

(13)引擎：Hi !管道，我這兒有個(gè)item你幫我處理一下!調(diào)度器!這是需要跟進(jìn)的URL你幫我處理下。

(14)管道，調(diào)度器：好的，現(xiàn)在就做!

然后從(4)開始循環(huán)，直到獲取完老大需要的全部信息。

猜你喜

多線程爬蟲是什么?多線程爬蟲流程分析 

Python爬蟲可以做什么?

Python培訓(xùn)課程