Scrapy主要组件及其作用说明

1、引擎(Scrapy)

• 用来处理整个系统的数据流处理, 触发事务(框架核心)。

2、调度器(Scheduler)

• 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。

3、下载器(Downloader)

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

4、爬虫(Spiders)

• 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。

5、项目管道(Pipeline)

• 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。

6、下载器中间件(Downloader Middlewares)

• 位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

7、爬虫中间件(Spider Middlewares)

• 介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

8、调度中间件(Scheduler Middewares)

• 介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。