Scrapy框架流程图解析

今日语：心空，望望远方的高楼；心属，依然停留

接下来就放一张scrapy的架构图喽~(绿线是数据流向)  

简单叙述一下每层图的含义吧

1.Spiders(爬虫):它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)

2.Engine(引擎)：负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

3. Scheduler(调度器)：它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

4.Downloader(下载器)：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理

5.ItemPipeline(管道):它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

6.Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

7.Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）            

  Scrapy执行流程图

1.用scrapy框架的时候，一定要先明白执行的顺序，代码已写好，程序开始运行~

2.SPIDERS的yeild将request发送给ENGIN

3. ENGINE对request不做任何处理发送给SCHEDULER

4. SCHEDULER( url调度器)，生成request交给ENGIN

5. ENGINE拿到request，通过MIDDLEWARE进行层层过滤发送给DOWNLOADER

6. 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ENGIN

7. ENGINE获取到response数据之后，返回给SPIDERS，SPIDERS的parse()方法对获取到的response数据进行处理，解析出items或者requests

8. 将解析出来的items或者requests发送给ENGIN

9. ENGIN获取到items或者requests，将items发送给ITEMPIPELINES，将requests发送SCHEDULER注意！只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）

小故事

引擎：Hi！Spider, 你要处理哪一个网站？

Spider：老大要我处理xxxx.com。

引擎：你把第一个需要处理的URL给我吧。

Spider：给你，第一个URL是xxxxxxx.com。

引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

调度器：好的，正在处理你等一下。

引擎：Hi！调度器，把你处理好的request请求给我。

调度器：给你，这是我处理好的request

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

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）

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）

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。

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。

管道``调度器：好的，现在就做！

使用Scrapy框架爬虫的几条重要的命令

创建项目：scrapy startproject xxx

进入项目：cd xxx

基本爬虫：scrapy genspider xxx（爬虫名） xxx.com （爬取域）

还有一条是规则爬虫的命令，只是这条有变化，前俩条不变

规则爬虫：scrapy genspider -t crawl xxx（爬虫名） xxx.com （爬取域）

运行命令：scrapy crawl xxx -o xxx.json

开发Scrapy爬虫的步骤~

创建项目：scrapy startproject xxx（项目名字，不区分大小写）

明确目标 （编写items.py）：明确你想要抓取的目标

制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页

存储内容 （pipelines.py）：设计管道存储爬取内容

启动程序的py文件（start.py）：等同于此命令（scrapy crawl xxx -o xxx.json）

爬虫中的常用命令~

scrapy保存信息的最简单的方法主要有七种格式

json格式，默认为Unicode编码

scrapy crawl Atguigu -o 项目名.json

 json lines格式，默认为Unicode编码

scrapy crawl Atguigu -o 项目名.jsonlines

csv 逗号表达式，可用Excel打开

scrapy crawl Atguigu -o 项目名.csv 

xml格式

scrapy crawl Atguigu -o 项目名.xml

Parse()方法的工作机制

有兴趣关注个公众号呗~  

链接地址：https://blog.csdn.net/qq_37143745/article/details/80996707