scrapy之原理

最近小二的公司，由于要获取数据但苦于没有爬虫，于是小二再次开始半路出家，经过小二的调研，最后决定用scraly来进行实现。虽然scrapy的中文资料不少，但成体系的很少，小二就在此总结一下，以为后来者提供方便

scrapy原理

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。

scrapy大概的运行流程
setting——>setting init.py
——>cmdline—->内部方法 get_project_setting
—->items(所有的iteam只要在items中写了都会执行)—->
自己写的spider中的类变量
—–>内部方法misc (会生成所有spider的一个list)、spiderloader 、crawler(_get_spider_loader(settings)，然后crawler初始化) 、
—->自己写的spider初始化
—->crawler
—->middleware(设置中间件)
—->自己写的HttpProxyMiddleware
—->middleware(设置中间件)
—->downloader
—->pipelines 的from_crawler并初始化—->middleware
—->scraper
—->crawler 的engine、request、start_spider初始化—->pipelines中的 spider_open方法
—->start Scrapy Engine
—->spider的start_request
—->开始爬了
—->自己写UserAgentMiddleware中的procss_request方法
—->middleware
—->自己写的HttpProxyMiddleware的process_request方法
—->callback or errback
—->yield item or errback对应方法的处理—->pipelines process_item
—->内部方法
—->yield item or errback对应方法的处理—->pipelines process_item
—->内部方法………
—->piplelines 的spider_close方法
—->engien等内部方法关闭spider