Scrapy框架流程图解析

原创
2018/07/12 16:12
阅读数 5.7K

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:

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

  • 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)
  • from scrapy import cmdline
    cmdline.execute("scrapy crawl 项目名".split())

     

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

​
1.因为使用的yield,而不是return。parse函数将会被当做一个生成器使用。scrapy会逐一获取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request则加入爬取队列,如果是item类型则使用pipeline处理,其他类型则返回错误信息。
3.scrapy取到第一部分的request不会立马就去发送这个request,只是把这个request放到队列里,然后接着从生成器里获取;
4.取尽第一部分的request,然后再获取第二部分的item,取到item了,就会放到对应的pipeline里处理;
5.parse()方法作为回调函数(callback)赋值给了Request,指定parse()方法来处理这些请求 scrapy.Request(url, callback=self.parse) 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)
6.取尽之后,parse()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;
7.程序在取得各个页面的items前,会先处理完之前所有的request队列里的请求,然后再提取items。
8.这一切的一切,Scrapy引擎和调度器将负责到底。

​

有兴趣关注个公众号呗~

​​​​​​​

展开阅读全文
加载中

作者的其它热门文章

打赏
0
2 收藏
分享
打赏
0 评论
2 收藏
0
分享
返回顶部
顶部