scrapy框架架构

介绍

Scrapy一个开源和协作的框架，其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛，可用于如数据挖掘、监测和自动化测试等领域，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

Scrapy 是基于twisted框架开发而来，twisted是一个流行的事件驱动的python网络框架。因此Scrapy使用了一种非阻塞（又名异步）的代码来实现并发。

架构

流程解析

1. The Engine gets the initial Requests to crawl from the Spider. （引擎从爬虫获取初始Requests ）
2. The Engine schedules the Requests in the Scheduler and asks for the next Requests to crawl. （引擎将该Requests 放入调度器中，并请求下一个Requests来爬取 ）
3. The Scheduler returns the next Requests to the Engine. （调度器将下一个Requests 返回给引擎）
4. The Engine sends the Requests to the Downloader, passing through the Downloader Middlewares (see process_request()). （经过中间件，引擎将Requests发送给下载器，）
5. Once the page finishes downloading the Downloader generates a Response (with that page) and sends it to the Engine, passing through the Downloader Middlewares (see process_response()). （一旦页面爬取完成，下载器就会生成一个Response，再经过中间件，发送给引擎 ）
6. The Engine receives the Response from the Downloader and sends it to the Spider for processing, passing through the Spider Middleware (see process_spider_input()). （引擎收到下载器返回的Response 后，经过中间件，发送给爬虫处理）
7. The Spider processes the Response and returns scraped items and new Requests (to follow) to the Engine, passing through the Spider Middleware (see process_spider_output()). （爬虫处理Response，经过中间件，返回处理后的items 或新的Requests给引擎）
8. The Engine sends processed items to Item Pipelines, then send processed Requests to the Scheduler and asks for possible next Requests to crawl. （引擎将处理后的items发送给项目管道，将Requests 发送给调度器，并请求下一个Requests 来爬取）
9. The process repeats (from step 1) until there are no more requests from the Scheduler. （不断重复以上流程，直到调度器中没有requests 为止）

组件说明

1. 引擎(EGINE)：

   引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。

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的优先级队列, 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(DOWLOADER)

   用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的

4. 爬虫(SPIDERS)

   SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求

5. 项目管道(ITEM PIPLINES)

   在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作

6. 下载器中间件(Downloader Middlewares)

   位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，你可用该中间件做以下几件事：

   • 在request发往下载器之前对requests进行处理（也就是在爬取网站之前）
   • 在response 传递给爬虫之前，修改response
   • 不给爬虫发送收到的response， 而是给它发送新的request，
   • 不爬取网页，直接给爬虫返回response
   • 丢弃一些request

7. 爬虫中间件(Spider Middlewares)

   位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）

命令行工具

全局命令

1. startproject 创建项目

2. genspider: scrapy genspider [-t template] 生成爬虫，-l 查看模板； -t 指定模板，name爬虫名，domain域名

3. settings 查看设置

4. runspider 运行爬虫（运行一个独立的python文件，不必创建项目）

5. shell ：scrapy shell [url]进入交互式命令行，可以方便调试

   1. –spider=SPIDER 忽略爬虫自动检测，强制使用指定的爬虫

   2. -c 评估代码，打印结果并退出：

      $ scrapy shell --nolog http://www.example.com/ -c '(response.status, response.url)'
      (200, 'http://www.example.com/')

   3. –no-redirect 拒绝重定向

   4. –nolog 不打印日志

   5. response.status 查看响应码

   6. response.url

   7. response.text; response.body 响应文本；响应二进制

   8. view(response) 打开下载到本地的页面,方便分析页面（比如非静态元素）

      ​

6. fetch 查看爬虫是如何获取页面的，常见选项如下：

   1. –spider=SPIDER 忽略爬虫自动检测，强制使用指定的爬虫
   2. –headers 查看响应头信息
   3. –no-redirect 拒绝重定向

7. view 同交互式命令中的view

8. version

项目命令

1. crawl : scrapy crawl 指定爬虫开始爬取（确保配置文件中ROBOTSTXT_OBEY = False）
2. check: scrapy check [-l] 检查语法错误
3. list 爬虫list
4. edit 命令行模式编辑爬虫（没啥用）
5. parse: scrapy parse [options] 爬取并用指定的回掉函数解析（可以验证我们的回调函数是否正确）
   
   1. –callback 或者 -c 指定回调函数
6. bench 测试爬虫性能

项目结构和爬虫应用简介

scrapy startproject tutorial

tutorial/
    scrapy.cfg  # 项目的主配置信息，用来部署scrapy时使用，爬虫相关的配置信息在settings.py文件中

    tutorial/             # 项目模块
        __init__.py

        items.py  # 设置数据存储模板，用于结构化数据，类似Django的Model

        pipelines.py # 数据处理行为，如：一般结构化的数据持久化

        settings.py       # project settings file

        spiders/          # a directory where you'll later put your spiders
            __init__.py

待更新