爬虫笔记：scrapy爬虫框架流程介绍（十三）

Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。scrapy框架封装了很多功能，比如说使用异步框架（Twisted）来提高爬虫性能，url的去重，数据的清洗等等的功能。

Scrapy架构图（绿线是数据流向）

 

可以从上面的图看出来scrapy有几个部件，下面是各个部件的作用：

Scrapy Engine(引擎): 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排列，入队，当引擎需要时，交还给引擎。

Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理。

#上面这3个都是它已经有的功能，咱们写代码的时候感知不到，需要咱们写代码的在下面这3块

Spider（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)。这里就是咱们写逻辑，怎么根据xpath或者css获取数据的地方。

Item Pipeline(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。存数据库这样子的操作在这里

Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。比如说发请求的时候要加代理，就在这里

Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests），这个一般用不到。

Scrapy的运作流程

引擎：Hi！Spider, 你要处理哪一个网站？
Spider：老大要我处理xxxx.com。
引擎：你把第一个需要处理的URL给我吧。
Spider：给你，第一个URL是xxxxxxx.com。
引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
调度器：好的，正在处理你等一下。
引擎：Hi！调度器，把你处理好的request请求给我。
调度器：给你，这是我处理好的request
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
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）
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）
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。
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。
管道调度器：好的，现在就做！

　　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。），当然我们也可以在配置文件里面设置失败的重试次数。

 

scrapy爬虫步骤

在写一个scrapy项目的时候，需要4个步骤。

• 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
• 明确目标 （编写items.py）：明确你想要抓取的目标，也就是咱们要获取到什么样的数据，有哪些字段
• 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页，也就是通过xpath或者css获取数据
• 存储内容 （pipelines.py）：设计管道存储爬取内容，也就是怎么存储，存到哪里，文件里面、mongodb里面、或者mysql里面。