python爬虫——scrapy的五大组件核心(详细笔记)

python爬虫——scrapy的五大组件核心(详细笔记)_第1张图片

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。

你可能感兴趣的:(python爬虫,python,爬虫,scrapy,五大核心组件)