引擎(Scrapy):
用来处理整个系统的数据流处理及触发事务,是框架的核心。
调度器(Scheduler):
用来接收引擎发过来的请求,将请求放入队列中,并在引擎再次请求的时候返回。它决定下一个要抓取的网址,同时担负着网址去重这一重要工作。
下载器(Downloader):
用于下载网页内容,并将网页内容返回给爬虫。下载器的基础是twisted——一个Python网络引擎框架。
爬虫(Spiders):
用于从特定的网页中提取自己需要的信息,即Scrapy中所谓的实体(Item)。也可以从中提取出链接,让Scrapy继续抓取下一个页面
管道(Pipeline):
负责处理爬虫从网页中抽取出的实体,主要的功能是持久化信息、验证实体的有效性、清洗数据等。当页面被爬虫解析后,将被发送到管道,并经过特定的程序来处理数据。
下载器中间件(Downloader Middlewares):
Scrapy引擎和下载器中间的架构,主要用于处理Scrapy引擎和下载器之间的请求及响应。
爬虫中间件(Spider Middlewares):
Scrapy引擎和爬虫之间的框架,主要工作是处理爬虫的响应和请求输出。
调度中间件(Scheduler Midderwares):
Scrapy引擎和调度之间的中间件,主要负责处理从Scrapy引擎发送到调度的请求和响应。
Scrapy框架图 Scrapy爬虫工作流程:引擎打开一个网站,找到处理该网站的爬虫(spider),并向该爬虫请求一个要爬取的URL(网址);
引擎从爬虫中获取到第一个要爬取的 URL并在调度器(scheduler)中以Requests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通过下载器中间件转发给下载器;
一旦页面下载完成,下载器会生成一个该页面的Response,并将其通过下载器中间件发送给引擎。引擎从下载器中接收到Response并通过爬虫中间件发送给爬虫处理。之后爬虫处理Response并返回爬取到的Item及发送(跟进的)新的Resquest给引擎。引擎将爬取到的Item传递给Item Pipline,将(爬虫返回的)Request传递给调度器。重复以上从第二步开始的过程直到调器中没有更多的Requests,最终引擎关闭网站。