14. scrip框架之5大核心组件和post请求

一、五大核心组件工作流程

组件的介绍：

• Spiders(爬虫文件)：

　　　　爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。

　　　　用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

• Scrapy(引擎)：

　　  　用来处理整个系统的数据流处理, 触发事务(框架核心)　

• Scheduler(调度器)：

　　　　用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

• Downloader(下载器)

　　　　用于下载网页内容, 并将网页内容返回给引擎(Scrapy下载器是建立在twisted这个高效的异步模型上的)

• Pipeline(项目管道)

　　　　负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

 

执行流程：

　　1.Spider发送请求对象

　　2. Scrapy(引擎)接收Spider传过来的请求对象

　　3.Scrapy(引擎)将请求对象传给Scheduler(调度器)，调度器从队列中获取请求对象（队列可能有多个请求对象）

　　4. Scheduler(调度器) 在把请求对象返回给引擎（Scrapy）

　　5. 引擎（Scrapy）又将请求对象传递给Downloader（下载器）

　　6. Downloader（下载器）接收到请求后，会去internet（互联网上查询下载）

　　7.  Downloader（下载器）会将下载好的数据返回给下载器（下载好到数据封装在响应对象(response)中）

　　8.  Downloader（下载器) 将响应对象返回给引擎（Scrapy)

　　9. 引擎（Scrapy)接收到响应的对象，并肩=将响应的对象返回给了spider(爬虫)（此时parse方法被调用,响应的对象封装到response对象中）

　　10. spider接收到响应的对象，将响应对象封装到item中，item通过引擎（Scrapy)将封装的对象传递给管道

　　11. 引擎收到item中的数据，并将数据传递给管道

　　12. 管道接收数据，进行持久化存储

 

注意：

　　Scheduler(调度器)中存在一个队列和一个过滤器

　　队列：可能存在多个请求对象

　　过滤器：去除重复的请求

 

二、post请求发送　　

　　- 问题：在之前代码中，我们从来没有手动的对start_urls列表中存储的起始url进行过请求的发送，但是起始url的确是进行了请求的发送，那这是如何实现的呢？

　　- 解答：其实是因为爬虫文件中的爬虫类继承到了Spider父类中的start_requests（self）这个方法，该方法就可以对start_urls列表中的url发起请求：

  def start_requests(self):
        for u in self.start_urls:
           yield scrapy.Request(url=u,callback=self.parse)

【注意】该方法默认的实现，是对起始的url发起get请求，如果想发起post请求，则需要子类重写该方法。

　　-方法： 重写start_requests方法，让其发起post请求：

def start_requests(self):
        #请求的url
        post_url = 'http://fanyi.baidu.com/sug'
        # post请求参数
        formdata = {
            'kw': 'wolf',
        }
        # 发送post请求
        yield scrapy.FormRequest(url=post_url, formdata=formdata, callback=self.parse)

 示例：

　　通过百度翻译，实现的post请求　　

# -*- coding: utf-8 -*-
import scrapy

class PostSpider(scrapy.Spider):
    name = 'post'
    # allowed_domains = ['www.xxx.com']
    # 起始的url
    start_urls = ['https://fanyi.baidu.com/sug']

    #start_requests默认是将起始列表中的url进行get请求的发送
    # 通过如下操作进行重写父类的start_requests方法，让其进行post请求的发送
    def start_requests(self):
        # post请求参数
        data = {
            "kw":"mwh"
        }
        for url in self.start_urls:
            # 发送post请求，注意这里的Request更换成FormRequest
            yield scrapy.FormRequest(url=url,callback=self.parse,formdata=data)

    def parse(self, response):
        # 打印出响应对象获取到的值
        print(response.text)