Scrapy框架流程圖解析

時間 2019-11-26

標籤 scrapy 框架流程圖解析欄目 Python 简体版

原文原文鏈接

今日語：心空，望望遠方的高樓；心屬，依然停留python

接下來就放一張scrapy的架構圖嘍~(綠線是數據流向)

簡單敘述一下每層圖的含義吧：

Spiders(爬蟲):它負責處理全部Responses,從中分析提取數據，獲取Item字段須要的數據，並將須要跟進的URL提交給引擎，再次進入Scheduler(調度器)
Engine(引擎)：負責Spider、ItemPipeline、Downloader、Scheduler中間的通信，信號、數據傳遞等。
Scheduler(調度器)：它負責接受引擎發送過來的Request請求，並按照必定的方式進行整理排列，入隊，當引擎須要時，交還給引擎。
Downloader(下載器)：負責下載Scrapy Engine(引擎)發送的全部Requests請求，並將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理
ItemPipeline(管道):它負責處理Spider中獲取到的Item，並進行進行後期處理（詳細分析、過濾、存儲等）的地方.
Downloader Middlewares（下載中間件）：你能夠看成是一個能夠自定義擴展下載功能的組件。
Spider Middlewares（Spider中間件）：你能夠理解爲是一個能夠自定擴展和操做引擎和Spider中間
通訊的功能組件（好比進入Spider的Responses;和從Spider出去的Requests）

Scrapy執行流程圖

1.用scrapy框架的時候，必定要先明白執行的順序，代碼已寫好，程序開始運行~json

2.SPIDERS的yeild將request發送給ENGIN架構

3. ENGINE對request不作任何處理髮送給SCHEDULER框架

4. SCHEDULER( url調度器)，生成request交給ENGINscrapy

5. ENGINE拿到request，經過MIDDLEWARE進行層層過濾發送給DOWNLOADERide

6. DOWNLOADER在網上獲取到response數據以後，又通過MIDDLEWARE進行層層過濾發送給ENGIN函數

7. ENGINE獲取到response數據以後，返回給SPIDERS，SPIDERS的parse()方法對獲取到的response數據進行處理，解析出items或者requests網站

8. 將解析出來的items或者requests發送給ENGINui

9. ENGIN獲取到items或者requests，將items發送給ITEMPIPELINES，將requests發送SCHEDULER 注意！只有當調度器中不存在任何request了，整個程序纔會中止，（也就是說，對於下載失敗的URL，Scrapy也會從新下載。）編碼

引擎：Hi！Spider, 你要處理哪個網站？
Spider：老大要我處理xxxx.com。
引擎：你把第一個須要處理的URL給我吧。
Spider：給你，第一個URL是xxxxxxx.com。
引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。
調度器：好的，正在處理你等一下。
引擎：Hi！調度器，把你處理好的request請求給我。
調度器：給你，這是我處理好的request
引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求
下載器：好的！給你，這是下載好的東西。（若是失敗：sorry，這個request下載失敗了。而後引擎告訴調度器，這個request下載失敗了，你記錄一下，咱們待會兒再下載）
引擎：Hi！Spider，這是下載好的東西，而且已經按照老大的下載中間件處理過了，你本身處理一下（注意！這兒responses默認是交給def parse()這個函數處理的）
Spider：（處理完畢數據以後對於須要跟進的URL），Hi！引擎，我這裏有兩個結果，這個是我須要跟進的URL，還有這個是我獲取到的Item數據。
引擎：Hi ！管道我這兒有個item你幫我處理一下！調度器！這是須要跟進URL你幫我處理下。而後從第四步開始循環，直到獲取完老大須要所有信息。
管道``調度器：好的，如今就作！

使用Scrapy框架爬蟲的幾條重要的命令

建立項目：scrapy startproject xxx
進入項目：cd xxx
基本爬蟲：scrapy genspider xxx（爬蟲名） xxx.com （爬取域）
還有一條是規則爬蟲的命令，只是這條有變化，前倆條不變
規則爬蟲：scrapy genspider -t crawl xxx（爬蟲名） xxx.com （爬取域）
運行命令：scrapy crawl xxx -o xxx.json

開發Scrapy爬蟲的步驟~

建立項目：scrapy startproject xxx（項目名字，不區分大小寫）
明確目標（編寫items.py）：明確你想要抓取的目標
製做爬蟲（spiders/xxspider.py）：製做爬蟲開始爬取網頁
存儲內容（pipelines.py）：設計管道存儲爬取內容
啓動程序的py文件（start.py）：等同於此命令（scrapy crawl xxx -o xxx.json）

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

爬蟲中的經常使用命令~

scrapy保存信息的最簡單的方法主要有七種格式

json格式，默認爲Unicode編碼

scrapy crawl Atguigu -o 項目名.json

json lines格式，默認爲Unicode編碼

scrapy crawl Atguigu -o 項目名.jsonlines

csv 逗號表達式，可用Excel打開

scrapy crawl Atguigu -o 項目名.csv

xml格式

scrapy crawl Atguigu -o 項目名.xml

Parse()方法的工做機制


1.由於使用的yield，而不是return。parse函數將會被當作一個生成器使用。scrapy會逐一獲取parse方法中生成的結果，並判斷該結果是一個什麼樣的類型；
2.若是是request則加入爬取隊列，若是是item類型則使用pipeline處理，其餘類型則返回錯誤信息。
3.scrapy取到第一部分的request不會立馬就去發送這個request，只是把這個request放到隊列裏，而後接着從生成器裏獲取；
4.取盡第一部分的request，而後再獲取第二部分的item，取到item了，就會放到對應的pipeline裏處理；
5.parse()方法做爲回調函數(callback)賦值給了Request，指定parse()方法來處理這些請求 scrapy.Request(url, callback=self.parse) Request對象通過調度，執行生成 scrapy.http.response()的響應對象，並送回給parse()方法，直到調度器中沒有Request（遞歸的思路）
6.取盡以後，parse()工做結束，引擎再根據隊列和pipelines中的內容去執行相應的操做；
7.程序在取得各個頁面的items前，會先處理完以前全部的request隊列裏的請求，而後再提取items。
8.這一切的一切，Scrapy引擎和調度器將負責到底。

有興趣關注個公衆號唄~