scrapy2——框架简介和抓取流程
2024-08-26 14:26:09
scrapy简介
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。 可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中
scrapy的执行流程
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): 位于Scrapy引擎和下载器之间的框架,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引擎和爬虫之间的框架,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。
相关网站:https://scrapy-chs.readthedocs.io/zh_CN/stable/topics/architecture.html
Scrapy运行流程:
- 引擎打开一个网站(open a domain),找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
- 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
- 引擎向调度器请求下一个要爬取的URL。
- 调度器返回下一个要爬取的URL给引擎,引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
- 一旦页面下载完毕,下载器生成一个该页面的Response,并将其通过下载中间件(返回(response)方向)发送给引擎。
- 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
- Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
- 引擎将(Spider返回的)爬取到的Item给Item Pipeline,将(Spider返回的)Request给调度器。
- (从第二步)重复直到调度器中没有更多地request,引擎关闭该网站
简化:
①引擎调用Spider中的start_request获取Request的一个实例化对象(通过Spider中间件),②引擎将Request的对象发送给调度器(通过调度器中间间),(引擎向调度器请求下一个Request对象并发送给调度器;重复①②),调度器会过滤掉重复的Request对象,加入到队列中,③将Request对象经过调度器中间件发送给引擎,④引擎通过下载中间件将Request对象交给下载器,下载器向互联网发送网络请求,⑤下载器把资源下载下来,并封装成响应包(Response)⑥下载器将Response对象(response)发送给引擎,⑦引擎将Response对象发送给Spider进行数据解析(如果解析得到url需要发送请求则回到①),将解析后的数据封装成Item发送给引擎,⑧引擎将(Spider返回的)爬取到的Item给ItemPipeline(管道),(process_item)进行持久化存储
最新文章
- Java 条形码 二维码 的生成与解析
- Mac技巧
- Shell脚本中的交互式命令处理
- 谈谈C#中的接口
- 2013Esri全球用户大会之ArcGIS for Desktop
- Java 年月日 日期加减
- Java综合题目
- 使用 PUTTY 操作 Google Cloud
- 团队作业8——第二次项目冲刺(Beta阶段) 5.19
- DataTable筛选某列最大值
- vue-router同路由$router.push不跳转一个简单解决方案
- flex外包团队—北京动点软件:推荐一本不错的Flex书籍
- 动手动脑-java重载
- meta标签的使用
- MvvmLight学习篇—— Mvvm Light Toolkit for wpf/silverlight系列(导航)
- mac 安装phpunit
- php后台+前端开发过程整理
- SlickSafe.NET 开源权限框架开发指南
- BZOJ4998 星球联盟(LCT+双连通分量+并查集)
- opensuse install oracle 11gR2 Error in invoking target 'agent nmhs' of makefile '../ins_emagent.mk'
热门文章
- 【2019.10.30】SDN上机第1次作业
- 数据结构Java版之邻接表实现图(十)
- Tensorflow object detection API(1)---环境搭建与测试
- MySQL事务表和非事务表
- 第2课第3节_Java面向对象编程_继承性_P【学习笔记】
- 【自己给自己题目做】:如何用裸的 Canvas 实现魔方效果
- excel自增编号
- SQL Server 将查询结果集以XML形式展现 for xml path
- Android WebServer相关项目
- 小D课堂 - 零基础入门SpringBoot2.X到实战_第9节 SpringBoot2.x整合Redis实战_37、分布式缓存Redis介绍