Scrapy框架原理及流程

这是一篇整理爬虫概念知识的文章。

Scrapy工作流程图

Scrapy数据流是由执行的核心引擎(engine)控制，流程是这样的：

1、爬虫引擎获得初始请求开始抓取。 

2、爬虫引擎开始请求调度程序，并准备对下一次的请求进行抓取。 

3、爬虫调度器返回下一个请求给爬虫引擎。 

4、引擎请求发送到下载器，通过下载中间件下载网络数据。 

5、一旦下载器完成页面下载，将下载结果返回给爬虫引擎。 

6、引擎将下载器的响应通过中间件返回给爬虫进行处理。 

7、爬虫处理响应，并通过中间件返回处理后的items，以及新的请求给引擎。 

8、引擎发送处理后的items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、重复该过程（继续步骤1），直到爬取完所有的url请求。

 

 

• 爬虫引擎(ENGINE) 

爬虫引擎负责控制各个组件之间的数据流，当某些操作触发事件后都是通过engine来处理。

• 调度器 (SCHEDULER)

调度接收来engine的请求并将请求放入队列中，并通过事件返回给engine。

• 下载器 

通过engine请求下载网络数据并将结果响应给engine。

• Spider 

Spider发出请求，并处理engine返回给它下载器响应数据，以items和规则内的数据请求(urls)返回给engine。

• 管道项目(item pipeline) 

负责处理engine返回spider解析后的数据，并且将数据持久化，例如将数据存入数据库或者文件。

• 下载中间件 

下载中间件是engine和下载器交互组件，以钩子(插件)的形式存在，可以代替接收请求、处理数据的下载以及将结果响应给engine。

• spider中间件 

spider中间件是engine和spider之间的交互组件，以钩子(插件)的形式存在，可以代替处理response以及返回给engine items及新的请求集。