python3的爬虫笔记12——Scrapy架构
架构概述
下图显示了Scrapy体系结构及其组件的概述以及系统内部发生的数据流的概述(由红色箭头显示)。
Scrapy中的数据流由执行引擎控制,如下所示:
-
该Engine通过Downloader-Middlewares(
process_resquest()
)将请求发送到 Downloader。 -
页面完成下载后, Downloader生成一个
Response
,通过 Downloader-Middlewares(process_response()
)将其发送到Engine。 -
该Engine接收来自 Downloader的响应,通过Spider-Middleware(
process_spider_input()
)将其发送到 Spider进行处理,解析出items或者requests。 -
通过 Spider-Middleware(
process_spider_output()
)将解析出来的items或者requests发送给Engine。 -
Engine获取到items或者requests,将items发送给Item-Pipelines,将requests发送给Scheduler
-
重复各过程(从步骤1开始),直到Scheduler队列中不再有请求为止 。
1.引擎:Hi!Spider, 你要处理哪一个网站?
2.Spider:老大要我处理xxxx.com。
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xxxxxxx.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)
12.Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。
13.引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。
14.管道、调度器:好的,现在就做!
组件
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。有关详细信息,请参阅上面的 数据流部分。
调度程序
调度程序接收来自引擎的请求,并在引擎请求它们时将它们排入队列以便稍后(也引导到引擎)。
下载器
下载器负责获取网页并将其提供给引擎,引擎又将它们提供给爬虫。
爬虫
爬虫是由Scrapy用户编写的自定义类,用于解析响应并从中提取项目(也称为已删除项目)或其他要遵循的请求。
项目管道
物品管道负责在物品被爬虫提取后处理物品。典型的任务包括清理,验证和持久性(如将项目存储在数据库中)。
下载中间件
下载中间件是位于Engine和Downloader之间的特定钩子,当它们从Engine传递到Downloader时处理请求,以及从Downloader传递到Engine的响应。
如果您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程序之前处理请求(即在Scrapy将请求发送到网站之前);
- 在将它传递给爬虫之前改变收到的响应;
- 发送新的请求,而不是将收到的响应传递给爬虫;
- 在没有抓取网页的情况下将响应传递给爬虫;
- 默默地放弃一些请求。
爬虫中间件
Spider中间件是位于Engine和Spider之间的特定钩子,能够处理蜘蛛输入(响应)和输出(项目和请求)。
如果需要,请使用Spider中间件
- 爬虫回调的后期处理输出 - 更改/添加/删除请求或项目;
- 后处理start_requests;
- 处理爬虫异常;
- 根据响应内容调用errback而不是回调某些请求。
事件驱动的网络
Scrapy是用Twisted编写的,Twisted是一个流行的事件驱动的Python网络框架。因此,它使用非阻塞(也称为异步)代码实现并发。