scrapy 基础组件专题(一):scrapy框架中各组件的工作流程
2024-09-07 14:00:18
Scrapy 使用了 Twisted 异步非阻塞网络库来处理网络通讯,整体架构大致如下(绿线是数据流向):
Scrapy主要包括了以下组件:
- 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) - 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 - 下载器(Downloader)
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) - 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 - 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。
- 下载器中间件(Downloader Middlewares)
介于Scrapy引擎和下载器之间的中间件,主要是处理Scrapy引擎与下载器之间的请求及响应。 - 爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的中间件,主要工作是处理蜘蛛的响应输入和请求输出。 - 调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下:
1.引擎:Hi!Spider, 你要处理哪一个网站?
2.Spider:老大要我处理xxxx.com(初始URL)。
3.引擎:你把第一个需要处理的URL给我吧。
4.Spider:给你,第一个URL是xxxxxxx.com。
5.引擎:Hi!调度器,我这有request请求你帮我排序入队一下。
6.调度器:好的,正在处理你等一下。
7.引擎:Hi!调度器,把你处理好的request请求给我。
8.调度器:给你,这是我处理好的request
9.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。
10.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)
11.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)
12.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。
13.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。
14.管道、调度器:好的,现在就做!
最新文章
- Hibernate之lazy延迟加载
- jquery实现分页功能
- mongodb-索引
- 使用OAuth打造webapi认证服务供自己的客户端使用(二)
- 用PS制作时尚美观的LOGO
- django - get_or_create() 使用提醒
- 红米1S Mokee4.4.4 本人编译版耳机线控改动调音量以及上下曲方法
- shell脚本调试方法
- mongodb 压缩——3.0+支持zlib和snappy
- hibernate从数据库中自动生成
- JavaScript的三种类型检测typeof , instanceof , toString比较
- nyoj 擅长排列的小名II
- springboot由于mysql表类型导致的 setRollbackOnly() 事务不回滚
- not in 前面/后面存在null值时的处理
- iOS学习——浅谈RunLoop
- LeetCode 283 Move Zeroes 解题报告
- Noi.ac #309. Mas的童年(贪心)
- 解决 Error: ENOSPC: System limit for number of file watchers reached
- P3302 [SDOI2013]森林
- Microsoft Dynamics CRM 2013 安装 报表服务出现“ SQL Server Reporting Services 帐户是本地用户且不受支持 ”错误的解决方法
热门文章
- is ==小数据池编码解码
- @atcoder - AGC026F@ Manju Game
- group by <;grouping sets(...) >;<;cube(...)>;
- cb14a_c++_顺序容器的操作7_赋值与交换(swap)_vector转list
- 04.开发REST 接口
- Beta冲刺--冲刺总结
- Python 网络爬虫实战:爬取 B站《全职高手》20万条评论数据
- Lucene5多条件查询
- Java基础-Java中transient有什么用-序列化有那几种方式
- Page ";页面路径"; has not been registered yet.