Python从入门到实战-Scrapy源码2-核心组件(配置文件加载)

本篇文章解决：Scrapy 有哪些核心组件？以及它们主要负责了哪些工作？这些组件为了完成这些功能，内部又是如何实现的？

爬虫-Crawler

上次讲到 Scrapy 运行起来后，执行到最后到了 Crawler 的 crawl 方法，我们来看这个方法：

@inlineCallbacks
def crawl(self, *args, **kwargs) -> Generator[Deferred, Any, None]:
    if self.crawling:
            raise RuntimeError("Crawling already taking place")
        if self._started:
            warnings.warn(
                "Running Crawler.crawl() more than once is deprecated.",
                ScrapyDeprecationWarning,
                stacklevel=2,
            )
    self.crawling = self._started = True

    try:
        # 从spiderloader中找到爬虫类 并实例化爬虫实例
        self.spider = self._create_spider(*args, **kwargs)
        # 创建引擎
        self.engine = self._create_engine()
        # 调用爬虫类的start_requests方法 拿到种子URL列表
        start_requests = iter(self.spider.start_requests())
        # 执行引擎的open_spider 并传入爬虫实例和初始请求
        yield self.engine.open_spider(self.spider, start_requests)
        yield defer.maybeDeferred(self.engine.start)
    except Exception:
        self.crawling = False
        if self.engine is not None:
          yield self.engine.close()
        raise

先创建了爬虫实例，然后创建引擎，最后把爬虫交给引擎来处理。

上一篇文也讲到，在 Crawler 实例化时

1. 创建 SpiderLoader，根据我们定义的配置文件 settings.py 找到存放爬虫的位置（写的爬虫代码都在这里）
2. 然后 SpiderLoader 会扫描这些代码文件，找到父类是 scrapy.Spider 爬虫类
3. 根据爬虫类中的 name 属性（编写爬虫时，这个属性是必填的），生成一个 {spider_name: spider_cls} 的字典
4. 根据 scrapy crawl <spider_name> 命令中的 spider_name 找到我们写的爬虫类，然后实例化它，就是调用 _create_spider 方法：

def _create_spider(self, *args: Any, **kwargs: Any) -> Spider:
    # 调用类方法from_crawler实例化
    return self.spidercls.from_crawler(self, *args, **kwargs)

实例化爬虫比较有意思，它不是通过普通的构造方法进行初始化，而是调用类方法 from_crawler 进行初始化，找到 scrapy.Spider 类：

@classmethod
def from_crawler(cls, crawler: Crawler, *args: Any, **kwargs: Any) -> Self:
    spider = cls(*args, **kwargs)
    spider._set_crawler(crawler)
    return spider

def _set_crawler(self, crawler: Crawler) -> None:
    self.crawler = crawler
    # 把settings对象赋给spider实例
    self.settings = crawler.settings
    crawler.signals.connect(self.close, signals.spider_closed)

在这里我们可以看到，这个类方法其实也是调用了构造方法，进行实例化，同时也拿到了settings 配置.

构造方法干了些什么？

class Spider(object_ref):
    name = None
    custom_settings = None

    def __init__(self, name=None, **kwargs):
        # name必填
        if name is not None:
            self.name = name
        elif not getattr(self, 'name', None):
            raise ValueError("%s must have a name" % type(self).__name__)
        # __dict__属性：对象内部所有属性名和属性值组成的字典
        self.__dict__.update(kwargs)
        # 如果没有设置start_urls 默认是[]
        if not hasattr(self, 'start_urls'):
            self.start_urls = []

这里就是我们平时编写爬虫类时，最常用的几个属性：name、start_urls、custom_settings：

• name：在运行爬虫时通过它找到我们编写的爬虫类；
• start_urls：抓取入口，也可以叫做种子 URL；
• custom_settings：爬虫自定义配置，会覆盖配置文件中的配置项；

引擎

分析完爬虫类的初始化后，还是回到 Crawler 的 crawl 方法，紧接着就是创建引擎对象，也就是 createengine 方法，看看初始化时都发生了什么？

class ExecutionEngine(object):
    """引擎"""
    def __init__(self, crawler, spider_closed_callback):
        self.crawler = crawler
        # 这里也把settings配置保存到引擎中
        self.settings = crawler.settings
        # 信号
        self.signals = crawler.signals
        # 日志格式
        self.logformatter = crawler.logformatter
        self.slot = None
        self.spider = None
        self.running = False
        self.paused = False
        # 从settings中找到Scheduler调度器，找到Scheduler类
        self.scheduler_cls = load_object(self.settings['SCHEDULER'])
        # 同样，找到Downloader下载器类
        downloader_cls = load_object(self.settings['DOWNLOADER'])
        # 实例化Downloader
        self.downloader = downloader_cls(crawler)
        # 实例化Scraper 它是引擎连接爬虫类的桥梁
        self.scraper = Scraper(crawler)
        self._spider_closed_callback = spider_closed_callback

在这里我们能看到，主要是对其他几个核心组件进行定义和初始化，主要包括包括：Scheduler、Downloader、Scrapyer，其中 Scheduler 只进行了类定义，没有实例化。
也就是说，引擎是整个 Scrapy 的核心大脑，它负责管理和调度这些组件，让这些组件更好地协调工作。

下面我们依次来看这几个核心组件都是如何初始化的？

调度器-Scheduler

4个核心点：

1. Dupefilter（请求过滤器）——过滤重复请求
2. paclass（优先级队列）——DFS加载任务还是BFS？
3. dqclass（磁盘队列）——持久化操作
4. mqclass（内存队列）

调度器初始化发生在引擎的 open_spider 方法中:

# 代码迭代了 用了元类metaclass
class BaseScheduler(metaclass=BaseSchedulerMeta):
    @classmethod
    def from_crawler(cls, crawler: Crawler) -> Self:
    # ...

class Scheduler(BaseScheduler):
    def __init__(self, dupefilter: BaseDupeFilter, jobdir: Optional[str] = None, dqclass=None, mqclass=None,
    logunser: bool = False, stats: Optional[StatsCollector] = None, pqclass=None, crawler: Optional[Crawler] = None,):
        # 指纹过滤器
        self.df = dupefilter
        # 任务队列文件夹
        self.dqdir = self._dqdir(jobdir)
        # 优先级任务队列类
        self.pqclass = pqclass
        # 磁盘任务队列类
        self.dqclass = dqclass
        # 内存任务队列类
        self.mqclass = mqclass
        # 日志是否序列化
        self.logunser = logunser
        self.stats = stats

    # @classmethod 是一个装饰器，用于标识一个类方法
    # @classmethod 装饰器声明的方法将接收类本身作为第一个参数，通常被命名为 cls ，而不是实例
    @classmethod
    def from_crawler(cls: Type[SchedulerTV], crawler: Crawler) -> SchedulerTV:
        # settings = crawler.settings
        # 从配置文件中获取指纹过滤器类
        dupefilter_cls = load_object(settings['DUPEFILTER_CLASS'])
        return cls(
            # 实例化指纹过滤器
            dupefilter=create_instance(dupefilter_cls, crawler.settings, crawler),
            jobdir=job_dir(crawler.settings),
            # 从配置文件中依次获取优先级任务队列类、磁盘队列类、内存队列类
            # TODO 看不懂怎么读取配置文件的 理解成字段里取字段值就行
            pqclass=load_object(crawler.settings["SCHEDULER_PRIORITY_QUEUE"]),
            dqclass=load_object(crawler.settings["SCHEDULER_DISK_QUEUE"]),
            mqclass=load_object(crawler.settings["SCHEDULER_MEMORY_QUEUE"]),
            # 请求日志序列化开关
            # 配置文件就叫 default_settings.py 不是常见配置文件格式 依然是py
            logunser=crawler.settings.getbool("SCHEDULER_DEBUG"),
            stats=crawler.stats,
            crawler=crawler,
        )
        """以前的代码
        # dupefilter = dupefilter_cls.from_settings(settings)
        # 从配置文件中依次获取优先级任务队列类、磁盘队列类、内存队列类
        pqclass = load_object(settings['SCHEDULER_PRIORITY_QUEUE'])
        dqclass = load_object(settings['SCHEDULER_DISK_QUEUE'])
        mqclass = load_object(settings['SCHEDULER_MEMORY_QUEUE'])
        # 请求日志序列化开关
        logunser = settings.getbool('LOG_UNSERIALIZABLE_REQUESTS', settings.getbool('SCHEDULER_DEBUG'))
        return cls(dupefilter, jobdir=job_dir(settings), logunser=logunser,
                   stats=crawler.stats, pqclass=pqclass, dqclass=dqclass, mqclass=mqclass)
        """

可以看到，调度器的初始化主要做了 2 件事：

1. 实例化请求指纹过滤器：主要过滤重复请求；
2. 定义不同类型的任务队列：优先级任务队列、基于磁盘的任务队列、基于内存的任务队列；

请求指纹过滤器是什么？
在配置文件中，可以看到定义的默认指纹过滤器是 RFPDupeFilter

DUPEFILTER_CLASS = "scrapy.dupefilters.RFPDupeFilter"

RFPDupeFilter在文件 dupefilters.py中

class RFPDupeFilter(BaseDupeFilter):
    """请求指纹过滤器"""
    def __init__(self, path=None, debug=False):
        self.file = None
        # 指纹集合 使用的是Set 基于内存
        self.fingerprints = set()
        self.logdupes = True
        self.debug = debug
        self.logger = logging.getLogger(__name__)
        # 请求指纹可存入磁盘
        if path:
            self.file = open(os.path.join(path, 'requests.seen'), 'a+')
            self.file.seek(0)
            self.fingerprints.update(x.rstrip() for x in self.file)

    @classmethod
    def from_settings(cls, settings):
        debug = settings.getbool('DUPEFILTER_DEBUG')
        return cls(job_dir(settings), debug)

请求指纹过滤器初始化时，定义了指纹集合，这个集合使用内存实现的 Set，而且可以控制这些指纹是否存入磁盘以供下次重复使用。

所以，指纹过滤器主要职责是：过滤重复请求，可自定义过滤规则。（下篇文章介绍每个请求是根据什么规则生成指纹的，又如何实现重复请求过滤逻辑的）

调度器定义的任务队列有什么作用？
调度器默认定义了 2 种队列类型：

1. 基于磁盘的任务队列：在配置文件可配置存储路径，每次执行后会把队列任务保存到磁盘上；
2. 基于内存的任务队列：每次都在内存中执行，下次启动则消失；

默认配置文件 default_settings.py 定义如下：

# 基于磁盘的任务队列(后进先出)LIFO
SCHEDULER_DISK_QUEUE = 'scrapy.squeues.PickleLifoDiskQueue'
# 基于内存的任务队列(后进先出)
SCHEDULER_MEMORY_QUEUE = 'scrapy.squeues.LifoMemoryQueue'
# 优先级队列
SCHEDULER_PRIORITY_QUEUE = 'queuelib.PriorityQueue'

持久化操作：如果在配置文件中定义了 JOBDIR 配置项，每次执行爬虫时，都会把任务队列保存在磁盘中，下次启动爬虫时可以重新加载继续执行我们的任务。
如果没有定义这个配置项，那么默认使用的是内存队列。

为什么默认队列队列结构都是后进先出的？
在运行爬虫代码时，如果生成一个抓取任务，放入到任务队列中，那么下次抓取就会从任务队列中先获取到这个任务，优先执行。

这意味着 Scrapy 默认的采集规则是深度优先！
如何理解这句话，也就是说，如何任务里面嵌套了链接生成子任务，会优先执行子任务，而不是其他任务，所以这就是DFS。

如何改变这种机制，变为广度优先采集呢？
改变任务加载规则就可，原来是后进先出，改成先进先出就可。

看一下 scrapy/squeues.py ，定义了很多种队列：

# 先进先出磁盘队列(pickle序列化)
PickleFifoDiskQueue = _serializable_queue(queue.FifoDiskQueue, \
    _pickle_serialize, pickle.loads)
# 后进先出磁盘队列(pickle序列化)
PickleLifoDiskQueue = _serializable_queue(queue.LifoDiskQueue, \
    _pickle_serialize, pickle.loads)
# 先进先出磁盘队列(marshal序列化)
MarshalFifoDiskQueue = _serializable_queue(queue.FifoDiskQueue, \
    marshal.dumps, marshal.loads)
# 后进先出磁盘队列(marshal序列化)
MarshalLifoDiskQueue = _serializable_queue(queue.LifoDiskQueue, \
    marshal.dumps, marshal.loads)
# 先进先出内存队列
FifoMemoryQueue = queue.FifoMemoryQueue
# 后进先出内存队列
LifoMemoryQueue = queue.LifoMemoryQueue

把抓取任务改为广度优先，把队列类修改为先进先出队列类就可以了！

如果你想探究这些队列是如何实现的，可以参考 Scrapy 作者写的 scrapy/queuelib 项目，在 Github 上就可以找到，在这里有这些队列的具体实现。

下载器

1. settings （配置）
2. DownloadHandlers (下载处理器)
3. totaLconcurrency (并发请求)
4. domain_concurrency (同一域名并发请求)
5. ip_concurrency (同—IP并发请求)
6. randomize_delay (随机延迟下载间隔)
7. DownloaderMiddlewareManager (下载器中间件管理器)

下载器是如何初始化?
默认的配置文件 default_settings.py 中，下载器相关配置如下：

DOWNLOADER = 'scrapy.core.downloader.Downloader'
DOWNLOAD_TIMEOUT = 180  # 3mins
DOWNLOAD_MAXSIZE = 1024 * 1024 * 1024  # 1024m
DOWNLOAD_WARNSIZE = 32 * 1024 * 1024  # 32m
DOWNLOAD_FAIL_ON_DATALOSS = True
# ...

指定下载器文件为 downloader.Downloader，类要自己找下，在downloader/__init__.py里。

Downloader类初始化过程是主要做3件事：1下载处理器、2下载器中间件管理器、3从配置文件中拿到抓取请求控制的相关参数：

class Downloader:
    """下载器"""
    DOWNLOAD_SLOT = "download_slot"
    def __init__(self, crawler):
        # 同样的 拿到settings对象
        self.settings: BaseSettings = crawler.settings
        self.signals: SignalManager = crawler.signals
        self.slots: Dict[str, Slot] = {}
        self.active: Set[Request] = set()
        # 初始化DownloadHandlers
        self.handlers: DownloadHandlers = DownloadHandlers(crawler)
        # 从配置中获取设置的并发数
        self.total_concurrency: int = self.settings.getint("CONCURRENT_REQUESTS")
        # 同一域名并发数
        self.domain_concurrency: int = self.settings.getint(
            "CONCURRENT_REQUESTS_PER_DOMAIN"
        )
        # 同一IP并发数
        self.ip_concurrency: int = self.settings.getint("CONCURRENT_REQUESTS_PER_IP")
        # 随机延迟下载时间
        self.randomize_delay: bool = self.settings.getbool("RANDOMIZE_DOWNLOAD_DELAY")
        # 初始化下载器中间件
        self.middleware: DownloaderMiddlewareManager = (
            DownloaderMiddlewareManager.from_crawler(crawler)
        )
        self._slot_gc_loop: task.LoopingCall = task.LoopingCall(self._slot_gc)
        self._slot_gc_loop.start(60)
        self.per_slot_settings: Dict[str, Dict[str, Any]] = self.settings.getdict(
            "DOWNLOAD_SLOTS", {}
        )

下载处理器是做什么的？下载器中间件又是做什么的？

先看 DownloadHandlers：

class DownloadHandlers(object):
    """下载器处理器"""
    def __init__(self, crawler: "Crawler"):
        self._crawler: "Crawler" = crawler
        # 存储scheme对应的类路径 后面用于实例化
        self._schemes: Dict[
            str, Union[str, Callable]
        ] = {}
        # 存储scheme对应的下载器
        self._handlers: Dict[str, Any] = {}
        # remembers failed handlers
        self._notconfigured: Dict[str, str] = {}
        # 从配置中找到DOWNLOAD_HANDLERS_BASE 构造下载处理器
        # 注意这个方法里面 会对name + "_BASE" 也一样取
        handlers: Dict[str, Union[str, Callable]] = without_none_values(
            crawler.settings.getwithbase("DOWNLOAD_HANDLERS")
        )
        # 存储scheme对应的类路径 后面用于实例化
        for scheme, clspath in handlers.items():
            self._schemes[scheme] = clspath
            self._load_handler(scheme, skip_lazy=True)
        crawler.signals.connect(self._close, signals.engine_stopped)

DOWNLOAD_HANDLERS 配置是这样的：

# 用户可自定义的下载处理器
DOWNLOAD_HANDLERS = {}
# 默认的下载处理器
DOWNLOAD_HANDLERS_BASE = {
    'file': 'scrapy.core.downloader.handlers.file.FileDownloadHandler',
    'http': 'scrapy.core.downloader.handlers.http.HTTPDownloadHandler',
    'https': 'scrapy.core.downloader.handlers.http.HTTPDownloadHandler',
    's3': 'scrapy.core.downloader.handlers.s3.S3DownloadHandler',
    'ftp': 'scrapy.core.downloader.handlers.ftp.FTPDownloadHandler',
}

下载处理器会根据下载资源的类型，选择对应的下载器去下载资源。

请注意：在这里，这些下载器是没有被实例化的，只有在真正发起网络请求时，才会进行初始化，而且只会初始化一次（后面文章会讲到）。

middleware.py看下载器中间件 DownloaderMiddlewareManager 初始化过程，同样地，这里又调用了类方法 from_crawler 进行初始化，而且 DownloaderMiddlewareManager 继承了MiddlewareManager 类，来看它在初始化做了哪些工作：

class MiddlewareManager:
    """所有中间件的父类，提供中间件公共的方法"""
    component_name = "foo middleware"
    def __init__(self, *middlewares: Any) -> None:
        self.middlewares = middlewares
        self.methods: Dict[
            str, Deque[Union[None, Callable, Tuple[Callable, Callable]]]
        ] = defaultdict(deque)
        for mw in middlewares:
            self._add_middleware(mw)

    @classmethod
    def from_crawler(cls, crawler: Crawler) -> Self:
        # 调用from_settings
        return cls.from_settings(crawler.settings, crawler)

    @classmethod
    def from_settings(
        cls, settings: Settings, crawler: Optional[Crawler] = None
    ) -> Self:
        # 调用子类_get_mwlist_from_settings得到所有中间件类的模块
        mwlist = cls._get_mwlist_from_settings(settings)
        middlewares = []
        enabled = []
        # 依次实例化
        for clspath in mwlist:
            try:
                # 加载这些中间件模块
                mwcls = load_object(clspath)
                # 调用此方法实例化
                mw = create_instance(mwcls, settings, crawler)
                middlewares.append(mw)
                enabled.append(clspath)
            except NotConfigured as e:
                if e.args:
                    logger.warning(
                        "Disabled %(clspath)s: %(eargs)s",
                        {"clspath": clspath, "eargs": e.args[0]},
                        extra={"crawler": crawler},
                    )

        logger.info(
            "Enabled %(componentname)ss:\n%(enabledlist)s",
            {
                "componentname": cls.component_name,
                "enabledlist": pprint.pformat(enabled),
            },
            extra={"crawler": crawler},
        )
        # 调用构造方法
        return cls(*middlewares)

    @classmethod
    def _get_mwlist_from_settings(cls, settings):
        # 具体有哪些中间件类，子类定义
        raise NotImplementedError

    def _add_middleware(self, mw: Any) -> None:
        # 默认定义的 子类可覆盖
        # 如果中间件类有定义open_spider 则加入到methods
        if hasattr(mw, 'open_spider'):
            self.methods['open_spider'].append(mw.open_spider)
        # 如果中间件类有定义close_spider 则加入到methods
        # methods就是一串中间件的方法链 后期会依次调用
        if hasattr(mw, 'close_spider'):
            self.methods['close_spider'].insert(0, mw.close_spider)

DownloaderMiddlewareManager 实例化过程：

class DownloaderMiddlewareManager(MiddlewareManager):
    """下载中间件管理器"""
    component_name = 'downloader middleware'

    @classmethod
    def _get_mwlist_from_settings(cls, settings):
        # 从配置文件DOWNLOADER_MIDDLEWARES_BASE和DOWNLOADER_MIDDLEWARES获得所有下载器中间件
        return build_component_list(
            settings.getwithbase('DOWNLOADER_MIDDLEWARES'))

    def _add_middleware(self, mw):
        # 定义下载器中间件请求、响应、异常一串方法
        if hasattr(mw, 'process_request'):
            self.methods['process_request'].append(mw.process_request)
        if hasattr(mw, 'process_response'):
            self.methods['process_response'].insert(0, mw.process_response)
        if hasattr(mw, 'process_exception'):
            self.methods['process_exception'].insert(0, mw.process_exception)

下载器中间件管理器继承了 MiddlewareManager 类，然后重写了 _add_middleware 方法，为下载行为定义默认的下载前、下载后、异常时对应的处理方法。

中间件这么做的好处是什么？
数据从某个组件流向另一个组件时，会经过一系列中间件，每个中间件都定义了自己的处理流程，相当于一个个管道，输入时可以针对数据进行处理，然后送达到另一个组件，另一个组件处理完逻辑后，又经过这一系列中间件，这些中间件可再针对这个响应结果进行处理，最终输出。

这不就是职责链模式吗？？

Scraper

下载器实例化完之后，回到引擎的初始化方法
然后是实例化 Scraper，这个类没有在架构图中出现，但处于Engine、Spiders、Pipeline 之间，是连通这三个组件的桥梁。

1. SpiderMiddlewareManager (爬虫中间件管理器)
2. PipelineManager (Pipeline处理器)
3. Scraper concurrent_items (输出处理控制)

class Scraper:
    def __init__(self, crawler: Crawler) -> None:
        self.slot: Optional[Slot] = None
        # 1、实例化爬虫中间件管理器
        self.spidermw: SpiderMiddlewareManager = SpiderMiddlewareManager.from_crawler(
            crawler
        )
        # 2、从配置文件中加载Pipeline处理器类
        itemproc_cls: Type[ItemPipelineManager] = load_object(
            crawler.settings["ITEM_PROCESSOR"]
        )
        # 实例化Pipeline处理器
        self.itemproc: ItemPipelineManager = itemproc_cls.from_crawler(crawler)
        # 从配置文件中获取同时处理输出的任务个数
        self.concurrent_items: int = crawler.settings.getint("CONCURRENT_ITEMS")
        self.crawler: Crawler = crawler
        self.signals: SignalManager = crawler.signals
        self.logformatter: LogFormatter = crawler.logformatter

Scraper 创建了 SpiderMiddlewareManager，在文件spidermw.py

class SpiderMiddlewareManager(MiddlewareManager):
	"""爬虫中间件管理器"""
    component_name = 'spider middleware'

    def __init__(self, *middlewares: Any):
        super().__init__(*middlewares)
        self.downgrade_warning_done = False

    @classmethod
    def _get_mwlist_from_settings(cls, settings):
        # 从配置文件中 SPIDER_MIDDLEWARES 和 SPIDER_MIDDLEWARES_BASE 获取默认爬虫中间件类
        return build_component_list(settings.getwithbase('SPIDER_MIDDLEWARES'))

    def _add_middleware(self, mw: Any) -> None:
        super()._add_middleware(mw)
        # 定义爬虫中间件处理方法
        if hasattr(mw, "process_spider_input"):
            self.methods["process_spider_input"].append(mw.process_spider_input)
        if hasattr(mw, "process_start_requests"):
            self.methods["process_start_requests"].appendleft(mw.process_start_requests)
        process_spider_output = self._get_async_method_pair(mw, "process_spider_output")
        self.methods["process_spider_output"].appendleft(process_spider_output)
        process_spider_exception = getattr(mw, "process_spider_exception", None)
        self.methods["process_spider_exception"].appendleft(process_spider_exception)

爬虫中间件管理器初始化与之前的下载器中间件管理器类似：

1. 先从配置文件中加载了默认的爬虫中间件类
2. 然后依次注册爬虫中间件的一系列流程方法。

配置文件中定义的默认爬虫中间件类如下：

SPIDER_MIDDLEWARES_BASE = {
    # 默认的爬虫中间件类
    # 针对非 200 响应错误进行逻辑处理
    "scrapy.spidermiddlewares.httperror.HttpErrorMiddleware": 50,
    # 如果 Spider 中定义了 allowed_domains，会自动过滤除此之外的域名请求
    "scrapy.spidermiddlewares.offsite.OffsiteMiddleware": 500,
    # 追加 Referer 头信息
    "scrapy.spidermiddlewares.referer.RefererMiddleware": 700,
    # 过滤 URL 长度超过限制的请求
    "scrapy.spidermiddlewares.urllength.UrlLengthMiddleware": 800,
    # 过滤超过指定深度的抓取请求
    "scrapy.spidermiddlewares.depth.DepthMiddleware": 900,
}

这里你也可以定义自己的爬虫中间件，处理需要的逻辑。

之后是 Pipeline 组件的初始化，默认的 Pipeline 组件是 ItemPipelineManager：

class ItemPipelineManager(MiddlewareManager):
    component_name = 'item pipeline'
    @classmethod_create_spider
    def _get_mwlist_from_settings(cls, settings):
        # 从配置文件加载ITEM_PIPELINES_BASE和ITEM_PIPELINES类
        return build_component_list(settings.getwithbase('ITEM_PIPELINES'))

    def _add_middleware(self, pipe):
        super(ItemPipelineManager, self)._add_middleware(pipe)
        # 定义默认的pipeline处理逻辑
        if hasattr(pipe, 'process_item'):
            self.methods['process_item'].append(pipe.process_item)

    def process_item(self, item, spider):
        # 依次调用所有子类的process_item方法
        return self._process_chain('process_item', item, spider)

可以看到 ItemPipelineManager 是中间件管理器的一个子类，由于它行为非常类似于中间件，但由于功能较为独立，所以属于核心组件之一。
从 Scraper 的初始化过程我们可以看出，它管理着 Spiders 和 Pipeline 相关的数据交互。

总结

我们剖析了 Scrapy 涉及到的核心组件，包括：引擎、下载器、调度器、爬虫类、输出处理器。

从代码可以看出 每个组件类都是定义在配置文件中的，也就是说我们可以实现自己的逻辑，然后替代这些组件，这样的设计模式也非常值得我们学习。