scrapy運行的整個流程

 

 

Spiders：

　　負責處理所有的response，從這裏面分析提取數據，獲取Item字段所需要的數據，並將需要跟進的URL提交給引擎，再次進入到Scheduler調度器中

Engine：

　　框架的核心，負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數據的傳遞等

Scheduler：

　　它負責接受引擎發送過來的requests請求，並按照一定的方式進行整理隊列，當引擎需要的時候，交還給引擎

Downloader：

　　負責下載Engine發送過來的所有的requests請求，並將其獲取到的response交還給Engine，由Engine交給Spider來進行處理

ItemPipeline：

　　它負責處理Spider中獲取到的Item，並交給進行後期處理（詳細分析、過濾、存儲等）的地方

DownloaderMiddlewares（下載中間件）：

　　介於Scrapy引擎和下載器之間的中間件，主要是處理Scrapy引擎與下載器之間的請求以及響應

SpiderMiddlewares（Spider中間件）：

　　介於Scrapy引擎和爬蟲之間的中間件，主要工作是處理蜘蛛的響應輸入和請求輸出

SchedulerMiddlewares（調度中間件）：

　　介於Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的響應和請求

 

 

 

執行順序：

1. Spider的yield將requests發送給Engine
2. Engine對requests不做任何的處理就發送給Scheduler
3. Scheduler（url調度器），生成requests交給Engine
4. Engine拿到requests，通過middleware進行層層過濾發送給Downloader
5. downloader在網上獲取到response數據之後，又經過middleware進行層層過濾發送給Engine
6. Engine獲取到response之後，返回給Spider，Spider的parse（）方法對獲取到的response數據進行處理解析出items或者requests
7. 將解析出來的items或者requests發送給Engine
8. Engine獲取到items或者requests，將items發送給ITEMPIPELINES，將requests發送給Scheduler

只有當調度器中不存在任何的requests的時候，整個程序纔會停止（也就是說，對於下載失敗的URL，scrapy也會重新進行下載）

1.引擎：Hi！Spider, 你要處理哪一個網站？
2.Spider：老大要我處理xxxx.com（初始URL）。
3.引擎：你把第一個需要處理的URL給我吧。
4.Spider：給你，第一個URL是xxxxxxx.com。
5.引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。
6.調度器：好的，正在處理你等一下。
7.引擎：Hi！調度器，把你處理好的request請求給我。
8.調度器：給你，這是我處理好的request
9.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。
10.下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然後引擎告訴調度器，這個request下載失敗了，你記錄一下，我們待會兒再下載）
11.引擎：Hi！Spider，這是下載好的東西，並且已經按照老大的下載中間件處理過了，你自己處理一下（注意！這兒responses默認是交給def parse()這個函數處理的）
12.Spider：（處理完畢數據之後對於需要跟進的URL），Hi！引擎，我這裏有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item數據。
13.引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是需要跟進URL你幫我處理下。然後從第四步開始循環，直到獲取完老大需要全部信息。 
14.管道、調度器：好的，現在就做！

 

 

開發Scrapy爬蟲的步驟

1. 創建項目：scrapy startproject 項目名稱
2. 明確目標：便攜item，明確你要爬取的目標
3. 製作爬蟲：編寫爬蟲，開始爬取網頁
4. 存儲內容：設計管道存儲爬取內容
5. 添加啓動程序的文件：就是啓動的main文件

 

parse方法的工作機制：

1. 因爲使用的是yield，而不是return。parse函數將會被當作一個生成器使用，scrapy回逐一獲取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. 如果是requests則加入爬取隊列，如果是item類型則使用Pipeline處理，其他的就返回錯誤信息
3. scrapy取到第一部分的requests不會立馬就去發送這個requests，只是把這個requests放到隊列裏，然後接着從生成器禮獲取
4. 取盡第一部分的requests，然後在獲取第二部分的item，取到item之後，就會放到對應的pipeline裏進行處理
5. parse方法作爲回調函數複製給了Request，指定parse方法來處理這些請求
6. Request對象經過調度，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）
7. 取完之後，parse方法工作結束，引擎再根據隊列和pipelines中的內容去執行相應的操作
8. 程序在取得各個頁面的items之前，會先處理完之前所有的requests隊列裏的請求，然後在提取items
9. 綜上所述一切，scrapy引擎和調度器將會負責到底