Scrapy爬虫流程

参考：Scrapy框架实战（一）：Scrapy基础知识_Amo Xiang的博客-CSDN博客_scrapy框架

1. 主要流程

1. 创建项目

scrapy project xxx

2. 制作spider

scrapy genspider xxx "http://www.xxx.com"

3. 编写Item.py

        明确需要提取的数据。

4. 编写爬虫文件

        spiders/xxx.py，处理请求和响应，以及提取数据(yield item)。

5. 编写管道文件

        pipelines.py，处理spider返回的item数据，比如本地持久化存储等。

6. 编写settings.py

        启动管道组件 ITEM_PIPELINES={}，以及其他相关设置。

7. 执行爬虫

scarpy crawl xxx

8. 整体框架

 

2. 组件简介

2.1 Scrapy Engine

        引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。

2.2 Scheduler

        从引擎接收request并将它们入队列，以便之后引擎请求它们时提供给引擎。

2.3 Downloader

        负责获取页面数据并提供给引擎，而后提供给spider。

2.4 Spider

        用户编写的用于分析response并提取item或额外跟进的URL的类，每个spider负责处理一个特定(或一些)网站。

2.5 Item pipeline

        负责处理被spider提取出来的item，典型的处理有清理、验证及持久化(数据库存储)。

2.6 Downloader middlewares

        是在引擎与下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。其提供了一个简便机制，通过插入自定义代码来扩展scrapy功能。