python爬虫——scrapy的五大组件核心（详细笔记）

8、五大核心组件
  （1）引擎(Scrapy)
    用来处理整个系统的数据流处理, 触发事务(框架核心)
  （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（抓取网页的网址或者说是链接）的优先队列, 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(Downloader)（scrapy的异步在这里）
    用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
  （4）爬虫(Spiders)
    爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
  （5）项目管道(Pipeline)
    负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

scrapy五大核心组件之间的工作流程：
  （1）  首先，我们最原始的起始url是在我们爬虫文件中的，通常情况系，起始的url只有一个，当我们的爬虫文件执行的时候，首先对起始url发送请求，将起始url封装成了请求对象，将请求对象传递给了引擎，引擎就收到了爬虫文件给它发送的封装了起始URL的请求对象。我们在爬虫文件中发送的请求并没有拿到响应（没有马上拿到响应），只有请求发送到服务器端，服务器端返回响应，才能拿到响应。
  （2）  引擎拿到这个请求对象以后，又将请求对象发送给了调度器，队列接受到的请求都放到了队列当中，队列中可能存在多个请求对象，然后通过过滤器，去掉重复的请求
  （3）  调度器将过滤后的请求对象发送给了引擎，
  （4）  引擎将拿到的请求对象给了下载器
  （5）  下载器拿到请求后将请求拿到互联网进行数据下载
  （6）  互联网将下载好的数据发送给下载器，此时下载好的数据是封装在响应对象中的
  （7）  下载器将响应对象发送给引擎，引擎接收到了响应对象，此时引擎中存储了从互联网中下载的数据。
  （8）  最终，这个响应对象又由引擎给了spider（爬虫文件），由parse方法中的response对象来接收，然后再parse方法中进行解析数据，此时可能解析到新的url，然后再次发请求；也可能解析到相关的数据，然后将数据进行封装得到item，
  （9）  spider将item发送给引擎，
  （10）  引擎将item发送给管道。
 其中，在引擎和下载中间还有一个下载器中间件，spider和引擎中间有爬虫中间件，
 
下载器中间件
   可以拦截请求和响应对象，请求和响应交互的时候一定会经过下载中间件，可以处理请求和响应。
 爬虫中间件
   拦截请求和响应，对请求和响应进行处理。