Scrapy架构及流程

Scrapy是一个为了爬取网站数据、提取结构化数据而编写的爬虫应用框架。Scrapy内部实现了包括并发请求、免登录、URL去重等很多复杂操作,用户不需要明白Scrapy内部具体的爬取策略,只需要根据自己的需要,编写小部分的代码,就能抓取到所需要的数据。Scrapy主要由5个组成部分,若需要实现更多功能,Scrapy还提供了多种中间件。这五个模块及中间件的功能如下:

  1. Scrapy Engine(Scrapy引擎)
    Scrapy Engine是用来控制整个爬虫系统的数据处理流程,并进行不同事务触发。

  2. Scheduler(调度器)
    Scheduler维护着待爬取的URL队列,当调度程序从Scrapy Engine接受到请求时,会从待爬取的URL队列中取出下一个URL返还给他们。

  3. Downloader(下载器)
    Downloader从Scrapy Engine那里得到需要下载的URL,并向该网址发送网络请求进行页面网页,最后再将网页内容传递到Spiders来处理。如果需要定制更复杂的网络请求,可以通过Downloader中间件来实现,

  4. Spiders(蜘蛛)
    Spiders是用户需要编辑的代码的部分。用户通过编写spider.py这个类实现指定要爬取的网站地址、定义网址过滤规则、解析目标数据等。 Spider发出请求,并处理Scrapy Engine返回给它下载器响应数据,把解析到的数据以item的形式传递给Item Pipeline,把解析到的链接传递给Scheduler。

  5. Item Pipeline(项目管道)
    Item 定义了爬虫要抓取的数据的字段,类似于关系型数据库中表的字段名,用户编写item.py文件来实现这一功能。Pipeline主要负责处理Spider从网页中抽取的item,对item进行清洗、验证,并且将数据持久化,如将数据存入数据库或者文件。用户编写pipeline.py实现这一功能。

  6. Downloader middlewares(下载器中间件)
    Downloader middlewares是位于Scrapy Engine和Downloader之间的钩子框架,主要是处理Scrapy Engine与Downloader之间的请求及响应。可以代替接收请求、处理数据的下载以及将结果响应给Scrapy Engine。

  7. Spider middlewares(蜘蛛中间件)
    Spider middlewares是介于Scrapy Engine和Spiders之间的钩子框架,主要是处理Spiders的响应输入和请求输出。可以插入自定义的代码来处理发送给Spiders的请求和返回Spider获取的响应内容和项目。

Scrapy 使用 Twisted 这个异步网络库来处理网络通讯,架构清晰,可以灵活的完成各种需求。整体架构如下图所示:

《Scrapy架构及流程》 scrapy_architecture.png

图中绿色线条表示数据流向,首先从初始 URL 开始,Scheduler 会将其交给 Downloader,Downloader向网络服务器发送服务请求进行下载,得到响应后将下载的数据交给Spider,Spider会对网页进行分析,分析出来的结果有两种:一种是需要进一步抓取的链接,这些链接会被传回 Scheduler;另一种是需要保存的数据,它们则被送到 Item Pipeline,Item会定义数据格式, 最后由Pipeline对数据进行清洗、去重等处理后存储到文件或数据库。

Scrapy数据流是由执行的核心引擎(engine)控制,流程是这样的:

  1. 引擎打开一个域名,蜘蛛处理这个域名,并让蜘蛛获取第一个爬取的URL。

  2. 引擎从蜘蛛那获取第一个需要爬取的URL,然后作为请求在调度中进行调度。

  3. 引擎从调度那获取接下来进行爬取的页面。

  4. 调度将下一个爬取的URL返回给引擎,引擎将他们通过下载中间件发送到下载器。

  5. 当网页被下载器下载完成以后,响应内容通过下载中间件被发送到引擎。

  6. 引擎收到下载器的响应并将它通过蜘蛛中间件发送到蜘蛛进行处理。

  7. 蜘蛛处理响应并返回爬取到的item,然后给引擎发送新的请求。

  8. 引擎发送处理后的item到项目管道,然后把处理结果返回给调度器,调度器计划处理下一个请求抓取。

  9. 系统重复2-9的操作,直到调度中没有请求,然后断开引擎与域之间的联系。

    原文作者:Jlan
    原文地址: https://www.jianshu.com/p/a5c06322b025
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞