Scrapy框架的概念、作用和工作流程
2023-09-11 14:15:15 时间
1. scrapy的概念
Scrapy是一个Python编写的开源网络爬虫框架。它是一个被设计用于爬取网络数据、提取结构性数据的框架。
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
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:初窥Scrapy — Scrapy 1.0.5 文档
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 【需要一个起始url】
3.2 上面的流程可以改写为
3.3 scrapy的流程
scrapy中每个模块的作用:
- 引擎(engine):负责数据和信号在不同模块间的传递;
- 调度器(scheduler):实现一个队列,存放引擎发过来的request请求对象;
- 下载器(downloader):发送引擎发过来的request请求,获取响应,并将响应交给引擎 ;
- 爬虫(spider):处理引擎发过来的response,提取数据,提取url,并交给引擎 ;
- 管道(pipeline):处理引擎传递过来的数据,比如存储
- 下载中间件(downloader middleware):可以自定义的下载扩展,比如设置代理ip;
- 爬虫中间件(spider middleware):可以自定义request请求和进行response过滤,与下载中间件作用重复
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中每个模块的具体作用
注意:
- 爬虫中间件和下载中间件只是运行逻辑的位置不同,作用是重复的:如替换UA等
相关文章
- 华为、腾讯、淘宝面试流程+面试技术题分析,速看...
- 软件测试中功能测试流程
- Scrapy_redis框架的概念作用和流程
- 第十五届全国大学生智能车线上比赛流程规范总结
- 【Activity】基于Android9.0的startActivity流程分析(2):新Activity的onCreate流程
- 接口测试的概念、目的、流程、测试方法有哪些?
- 《微信小程序:开发入门及案例详解》—— 1.2 接入流程
- bluetooth(蓝牙) AVRCP协议概念及代码流程解析
- SAP MM 公司间退货STO流程后勤部分简述
- 基于SpringBoot聊天APP,后端Netty服务器的搭建流程
- for循环(foreach型)流程
- android源码-事件分发处理机制(上)- java层事件分发流程
- SpringBoot 整合 SpringMvc 流程以及原理
- 了解TQA服务工作流程
- MyBatis 之一(概念、创建项目、操作模式、交互流程)
- 【原】另一份时序图(2.检测师流程)