1. scrapy的概念
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,我们只需要实现少量的代码,就能够快速的抓取。
-
Scrapy 使用了Twisted['twɪstɪd]异步网络框架,可以加快我们的下载速度。
-
Scrapy文档地址:http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html
2. scrapy框架的作用
少量的代码,就能够快速的抓取
3. scrapy的工作流程
3.1 回顾之前的爬虫流程
3.2 上面的流程可以改写为
3.3 scrapy的流程
其流程可以描述如下:
- 爬虫中起始的url构造成request对象–>爬虫中间件–>引擎–>调度器
- 调度器把request–>引擎–>下载中间件—>下载器
- 下载器发送请求,获取response响应---->下载中间件---->引擎—>爬虫中间件—>爬虫
- 爬虫提取url地址,组装成request对象---->爬虫中间件—>引擎—>调度器,重复步骤2
- 爬虫提取数据—>引擎—>管道处理和保存数据
注意:
- 图中中文是为了方便理解后加上去的
- 图中绿色线条的表示数据的传递
- 注意图中中间件的位置,决定了其作用
- 注意其中引擎的位置,所有的模块之前相互独立,只和引擎进行交互
3.4 scrapy的三个内置对象
- request请求对象:由url、method、post_data、headers等构成
- response响应对象:由url 、body、status、headers等构成
- item数据对象:本质是个字典
3.5 scrapy的五个功能模块
模块 | 功能 |
---|---|
engine 引擎 | 调用其它功能模块的函数,组织运行逻辑 |
spider 爬虫 | url构造request对象、解析response对象 |
scheduler 调度器 | 实现了一个 请求队列 :request入队、从请求队列中取出一个request |
downloader 下载器 | 发送请求获取响应 |
pipeline 管道 | 对数据进行处理 |
3.6 scrapy的两个中间件
作用:对经过的request response进行预处理
- 俩个中间件功能是重复的
- 只是根据逻辑位置不同,分为:downlaoder_middlewares 下载中间件、spider_middlewares 爬虫中间件。