Scrapy 框架流程詳解

框架流程圖

Scrapy 使用了 Twisted 異步非阻塞網絡庫來處理網絡通訊，整體架構大致如下(綠線是數據流向)：

 

 

簡單敘述一下每層圖的含義吧：

• Spiders(爬蟲器)：它負責處理所有Responses，從中分析提取數據，獲取Item字段需要的數據，並將需要跟進的URL提交給引擎，再次進入Scheduler(調度器)
• Engine(引擎)：框架核心，負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數據傳遞等
• Scheduler(調度器)：它負責接受引擎發送過來的Request請求，並按照一定的方式進行整理隊列，當引擎需要時，交還給引擎
• Downloader(下載器)：負責下載Engine(引擎)發送的所有Requests請求，並將其獲取到的Responses交還給Engine(引擎)，由引擎交給Spider來處理
• ItemPipeline(管道)：它負責處理Spider中獲取到的Item，並進行進行后期處理（詳細分析、過濾、存儲等）的地方
• Downloader Middlewares（下載中間件）：介於Scrapy引擎和下載器之間的中間件，主要是處理Scrapy引擎與下載器之間的請求及響應
• Spider Middlewares（Spider中間件）：介於Scrapy引擎和爬蟲之間的中間件，主要工作是處理蜘蛛的響應輸入和請求輸出
• Scheduler Middlewares（調度中間件）：介於Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和響應

 執行過程描述

Scrapy執行流程圖：

 

用scrapy框架的時候，一定要先明白執行的順序，代碼已寫好，程序開始運行~

• SPIDERS的yeild將request發送給ENGIN
• ENGINE對request不做任何處理發送給SCHEDULER
• SCHEDULER( url調度器)，生成request交給ENGIN
• ENGINE拿到request，通過MIDDLEWARE進行層層過濾發送給DOWNLOADER
• DOWNLOADER在網上獲取到response數據之后，又經過MIDDLEWARE進行層層過濾發送給ENGIN
• ENGINE獲取到response數據之后，返回給SPIDERS，SPIDERS的parse()方法對獲取到的response數據進行處理，解析出items或者requests
• 將解析出來的items或者requests發送給ENGIN
• ENGIN獲取到items或者requests，將items發送給ITEMPIPELINES，將requests發送給SCHEDULER

注意！只有當調度器中不存在任何request了，整個程序才會停止，（也就是說，對於下載失敗的URL，Scrapy也會重新下載。）

過程描述：

1.引擎：Hi！Spider, 你要處理哪一個網站？
2.Spider：老大要我處理xxxx.com（初始URL）。
3.引擎：你把第一個需要處理的URL給我吧。
4.Spider：給你，第一個URL是xxxxxxx.com。
5.引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。
6.調度器：好的，正在處理你等一下。
7.引擎：Hi！調度器，把你處理好的request請求給我。
8.調度器：給你，這是我處理好的request
9.引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求。
10.下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然后引擎告訴調度器，這個request下載失敗了，你記錄一下，我們待會兒再下載）
11.引擎：Hi！Spider，這是下載好的東西，並且已經按照老大的下載中間件處理過了，你自己處理一下（注意！這兒responses默認是交給def parse()這個函數處理的）
12.Spider：（處理完畢數據之后對於需要跟進的URL），Hi！引擎，我這里有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item數據。
13.引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是需要跟進URL你幫我處理下。然后從第四步開始循環，直到獲取完老大需要全部信息。 
14.管道、調度器：好的，現在就做！

一些重要的命令

創建項目：scrapy startproject proname 
進入項目：cd proname
創建爬蟲：scrapy genspider spiname（爬蟲名） xxx.com （爬取域）
創建規則爬蟲：scrapy genspider -t crawl spiname（爬蟲名） xxx.com （爬取域）
運行爬蟲：scrapy crawl spiname -o file.json

開發Scrapy爬蟲的步驟

• 創建項目：scrapy startproject proname（項目名字，不區分大小寫）
• 明確目標 （編寫items.py）：明確你想要抓取的目標
• 制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網頁
• 存儲內容 （pipelines.py）：設計管道存儲爬取內容
• 添加啟動程序文件（start.py）：from scrapy import cmdline 　　cmdline.execute("scrapy crawl 項目名".split())。等同於此命令（scrapy crawl xxx -o xxx.json）

parse()方法的工作機制

1. 因為使用的yield，而不是return。parse函數將會被當做一個生成器使用。scrapy會逐一獲取parse方法中生成的結果，並判斷該結果是一個什么樣的類型；
2. 如果是request則加入爬取隊列，如果是item類型則使用pipeline處理，其他類型則返回錯誤信息；
3. scrapy取到第一部分的request不會立馬就去發送這個request，只是把這個request放到隊列里，然后接着從生成器里獲取；
4. 取盡第一部分的request，然后再獲取第二部分的item，取到item了，就會放到對應的pipeline里處理；
5. parse()方法作為回調函數(callback)賦值給了Request，指定parse()方法來處理這些請求 scrapy.Request(url, callback=self.parse)；
6. Request對象經過調度，執行生成 scrapy.http.response()的響應對象，並送回給parse()方法，直到調度器中沒有Request（遞歸的思路）；
7. 取盡之后，parse()工作結束，引擎再根據隊列和pipelines中的內容去執行相應的操作；
8. 程序在取得各個頁面的items前，會先處理完之前所有的request隊列里的請求，然后再提取items；
9. 這一切的一切，Scrapy引擎和調度器將負責到底。

　　

　　至此。轉載請注明出處。