Scrapy研究探索2

转载自：http://blog.csdn.net/u012150179/article/details/34441655

一. 核心架构

关于核心架构，在官方文档中阐述的非常清晰，地址：http://doc.scrapy.org/en/latest/topics/architecture.html。

英文有障碍可查看中文翻译文档，笔者也参与了Scraoy部分文档的翻译，我的翻译GitHub地址：https://github.com/younghz/scrapy_doc_chs。源repo地址：https://github.com/marchtea/scrapy_doc_chs。

下面就直接转载部分文档（地址：http://scrapy-chs.readthedocs.org/zh_CN/latest/topics/architecture.html）：

概述

接下来的图表展现了Scrapy的架构，包括组件及在系统中发生的数据流的概览(绿色箭头所示)。 下面对每个组件都做了简单介绍，并给出了详细内容的链接。数据流如下所描述。

Scrapy architecture

组件
Scrapy Engine
引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分。

调度器(Scheduler)
调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。

下载器(Downloader)
下载器负责获取页面数据并提供给引擎，而后提供给spider。

Spiders
Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。 更多内容请看 Spiders 。

Item Pipeline
Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库中)。 更多内容查看 Item Pipeline 。

下载器中间件(Downloader middlewares)
下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。更多内容请看 下载器中间件(Downloader Middleware) 。

Spider中间件(Spider middlewares)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。更多内容请看 Spider中间件(Middleware) 。

数据流(Data flow)

Scrapy中的数据流由执行引擎控制，其过程如下:

1.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)。
2.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。
3.引擎向调度器请求下一个要爬取的URL。
4.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)。
5.一旦页面下载完毕，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。
6.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。
7.Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8.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。
9.(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。

二. 数据流与代码运行分析

这里主要分析数据流部分并与代码结合起来。与上面的流程1-9对应。

（1）找spider——在spider文件夹下查找相关定义爬虫文件

（2）引擎获取URL——自定义spider中start_urls列表中获取

（3）...

（4）...

（5）通过（3）（4）（5）就在内部实现了根据URL生成request，下载器根据request生成response这个过程。即URL-》request-》reponse。

（6）...

（7）在自定义spider中调用默认的parse()方法或是制定的parse_*()方法处理接收到的reponse，处理的结果很重要：

第一个，抽取item值。

第二个，如果需要继续爬取，这里会返回request给引擎。（这是“自动”爬取多个网页的关键）。

（8）（9）引擎继续调度，直至无request。

进阶：

Scrapy架构呈现星型拓扑结构，“引擎”作为整个架构的核心协调、控制整个系统的运行。