Scrapy 框架流程详解

框架流程图

Scrapy 使用了 Twisted 异步非阻塞网络库来处理网络通讯，整体架构大致如下(绿线是数据流向)：

简单叙述一下每层图的含义吧：

• Spiders(爬虫)：它负责处理所有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)
• Engine(引擎)：框架核心，负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等
• Scheduler(调度器)：它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队列，当引擎需要时，交还给引擎
• Downloader(下载器)：负责下载Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Engine(引擎)，由引擎交给Spider来处理
• ItemPipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方
• Downloader Middlewares（下载中间件）：介于Scrapy引擎和下载器之间的中间件，主要是处理Scrapy引擎与下载器之间的请求及响应
• Spider Middlewares（Spider中间件）：介于Scrapy引擎和爬虫之间的中间件，主要工作是处理蜘蛛的响应输入和请求输出
• Scheduler Middlewares（调度中间件）：介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应

执行过程描述

Scrapy执行流程图：

用scrapy框架的时候，一定要先明白执行的顺序，代码已写好，程序开始运行~

• SPIDERS的yeild将request发送给ENGIN
• ENGINE对request不做任何处理发送给SCHEDULER
• SCHEDULER( url调度器)，生成request交给ENGIN
• ENGINE拿到request，通过MIDDLEWARE进行层层过滤发送给DOWNLOADER
• DOWNLOADER在网上获取到response数据之后，又经过MIDDLEWARE进行层层过滤发送给ENGIN
• ENGINE获取到response数据之后，返回给SPIDERS，SPIDERS的parse()方法对获取到的response数据进行处理，解析出items或者requests
• 将解析出来的items或者requests发送给ENGIN
• ENGIN获取到items或者requests，将items发送给ITEMPIPELINES，将requests发送给SCHEDULER

注意！只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）

过程描述：

1.引擎：Hi！Spider, 你要处理哪一个网站？

2.Spider：老大要我处理xxxx.com（初始URL）。

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！

一些重要的命令

创建项目：scrapy startproject proname
进入项目：cd proname
创建爬虫：scrapy genspider spiname（爬虫名） xxx.com （爬取域）
创建规则爬虫：scrapy genspider -t crawl spiname（爬虫名） xxx.com （爬取域）
运行爬虫：scrapy crawl spiname -o file.json

开发Scrapy爬虫的步骤

• 创建项目：scrapy startproject proname（项目名字，不区分大小写）
• 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
• 添加启动程序文件（start.py）：等同于此命令（scrapy crawl xxx -o xxx.json），from scrapy import cmdline 　　cmdline.execute("scrapy crawl 项目名".split())

parse()方法的工作机制

1. 因为使用的yield，而不是return。parse函数将会被当做一个生成器使用。scrapy会逐一获取parse方法中生成的结果，并判断该结果是一个什么样的类型；
2. 如果是request则加入爬取队列，如果是item类型则使用pipeline处理，其他类型则返回错误信息；
3. scrapy取到第一部分的request不会立马就去发送这个request，只是把这个request放到队列里，然后接着从生成器里获取；
4. 取尽第一部分的request，然后再获取第二部分的item，取到item了，就会放到对应的pipeline里处理；
5. parse()方法作为回调函数(callback)赋值给了Request，指定parse()方法来处理这些请求 scrapy.Request(url, callback=self.parse)；
6. Request对象经过调度，执行生成 scrapy.http.response()的响应对象，并送回给parse()方法，直到调度器中没有Request（递归的思路）；
7. 取尽之后，parse()工作结束，引擎再根据队列和pipelines中的内容去执行相应的操作；
8. 程序在取得各个页面的items前，会先处理完之前所有的request队列里的请求，然后再提取items；
9. 这一切的一切，Scrapy引擎和调度器将负责到底。

至此。转载请注明出处。