Python爬虫之scrapy的概念作用和工作流程

Python爬虫之scrapy的概念作用和工作流程

1. scrapy的概念

Scrapy是一个Python编写的开源网络爬虫框架。它是一个被设计用于爬取网络数据、提取结构性数据的框架。

Scrapy 使用了Twisted[‘twɪstɪd]异步网络框架,可以加快我们的下载速度。
Scrapy文档地址:scrapy-chs.readthedocs.io

2. scrapy框架的作用

少量的代码,就能够快速的抓取

3. scrapy的工作流程

3.1 回顾之前的爬虫流程

Python爬虫之scrapy的概念作用和工作流程

3.2 上面的流程可以改写为

Python爬虫之scrapy的概念作用和工作流程

3.3 scrapy的流程

Python爬虫之scrapy的概念作用和工作流程

其流程可以描述如下:

  1. 爬虫中起始的url构造成request对象–>爬虫中间件–>引擎–>调度器
  2. 调度器把request–>引擎–>下载中间件—>下载器
  3. 下载器发送请求,获取response响应—->下载中间件—->引擎—>爬虫中间件—>爬虫
  4. 爬虫提取url地址,组装成request对象—->爬虫中间件—>引擎—>调度器,重复步骤2
  5. 爬虫提取数据—>引擎—>管道处理和保存数据

注意:

  • 图中中文是为了方便理解后加上去的
  • 图中绿色线条的表示数据的传递
  • 注意图中中间件的位置,决定了其作用
  • 注意其中引擎的位置,所有的模块之前相互独立,只和引擎进行交互

3.4 scrapy的三个内置对象

  • request请求对象:由url method post_data headers等构成
  • response响应对象:由url body status headers等构成
  • item数据对象:本质是个字典

3.5 scrapy中每个模块的具体作用

Python爬虫之scrapy的概念作用和工作流程

注意:

  • 爬虫中间件和下载中间件只是运行逻辑的位置不同,作用是重复的:如替换UA等

小结

    1. scrapy的概念:Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架
    2. scrapy框架的运行流程以及数据传递过程:
      1. 爬虫中起始的url构造成request对象–>爬虫中间件–>引擎–>调度器
      2. 调度器把request–>引擎–>下载中间件—>下载器
      3. 下载器发送请求,获取response响应—->下载中间件—->引擎—>爬虫中间件—>爬虫
      4. 爬虫提取url地址,组装成request对象—->爬虫中间件—>引擎—>调度器,重复步骤2
      5. 爬虫提取数据—>引擎—>管道处理和保存数据

 

  1. scrapy框架的作用:通过少量代码实现快速抓取
  2. 掌握scrapy中每个模块的作用: 引擎(engine):负责数据和信号在不腰痛模块间的传递 调度器(scheduler):实现一个队列,存放引擎发过来的request请求对象 下载器(downloader):发送引擎发过来的request请求,获取响应,并将响应交给引擎 爬虫(spider):处理引擎发过来的response,提取数据,提取url,并交给引擎 管道(pipeline):处理引擎传递过来的数据,比如存储 下载中间件(downloader middleware):可以自定义的下载扩展,比如设置代理ip 爬虫中间件(spider middleware):可以自定义request请求和进行response过滤,与下载中间件作用重复