scrapy运行的整个流程

 

 

Spiders：

　　负责处理所有的response，从这里面分析提取数据，获取Item字段所需要的数据，并将需要跟进的URL提交给引擎，再次进入到Scheduler调度器中

Engine：

　　框架的核心，负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据的传递等

Scheduler：

　　它负责接受引擎发送过来的requests请求，并按照一定的方式进行整理队列，当引擎需要的时候，交还给引擎

Downloader：

　　负责下载Engine发送过来的所有的requests请求，并将其获取到的response交还给Engine，由Engine交给Spider来进行处理

ItemPipeline：

　　它负责处理Spider中获取到的Item，并交给进行后期处理（详细分析、过滤、存储等）的地方

DownloaderMiddlewares（下载中间件）：

　　介于Scrapy引擎和下载器之间的中间件，主要是处理Scrapy引擎与下载器之间的请求以及响应

SpiderMiddlewares（Spider中间件）：

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

SchedulerMiddlewares（调度中间件）：

　　介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的响应和请求

 

 

 

执行顺序：

1. Spider的yield将requests发送给Engine
2. Engine对requests不做任何的处理就发送给Scheduler
3. Scheduler（url调度器），生成requests交给Engine
4. Engine拿到requests，通过middleware进行层层过滤发送给Downloader
5. downloader在网上获取到response数据之后，又经过middleware进行层层过滤发送给Engine
6. Engine获取到response之后，返回给Spider，Spider的parse（）方法对获取到的response数据进行处理解析出items或者requests
7. 将解析出来的items或者requests发送给Engine
8. Engine获取到items或者requests，将items发送给ITEMPIPELINES，将requests发送给Scheduler

只有当调度器中不存在任何的requests的时候，整个程序才会停止（也就是说，对于下载失败的URL，scrapy也会重新进行下载）

1.引擎：Hi！Spider, 你要处理哪一个网站？
2.Spider：老大要我处理xxxx.com（初始URL）。
3.引擎：你把第一个需要处理的URL给我吧。
4.Spider：给你，第一个URL是xxxxxxx.com。
5.引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
6.调度器：好的，正在处理你等一下。
7.引擎：Hi！调度器，把你处理好的request请求给我。
8.调度器：给你，这是我处理好的request
9.引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求。
10.下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
11.引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）
12.Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
13.引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。 
14.管道、调度器：好的，现在就做！

 

 

开发Scrapy爬虫的步骤

1. 创建项目：scrapy startproject 项目名称
2. 明确目标：便携item，明确你要爬取的目标
3. 制作爬虫：编写爬虫，开始爬取网页
4. 存储内容：设计管道存储爬取内容
5. 添加启动程序的文件：就是启动的main文件

 

parse方法的工作机制：

1. 因为使用的是yield，而不是return。parse函数将会被当作一个生成器使用，scrapy回逐一获取parse方法中生成的结果，并判断该结果是一个什么样的类型
2. 如果是requests则加入爬取队列，如果是item类型则使用Pipeline处理，其他的就返回错误信息
3. scrapy取到第一部分的requests不会立马就去发送这个requests，只是把这个requests放到队列里，然后接着从生成器礼获取
4. 取尽第一部分的requests，然后在获取第二部分的item，取到item之后，就会放到对应的pipeline里进行处理
5. parse方法作为回调函数复制给了Request，指定parse方法来处理这些请求
6. Request对象经过调度，执行生成scrapy.http.response()的响应对象，并送回给parse方法，直到调度器中没有Request（递归的思路）
7. 取完之后，parse方法工作结束，引擎再根据队列和pipelines中的内容去执行相应的操作
8. 程序在取得各个页面的items之前，会先处理完之前所有的requests队列里的请求，然后在提取items
9. 综上所述一切，scrapy引擎和调度器将会负责到底