列举几个简单的例子来更好的理解scrapy工作的原理

image

说明：了解爬虫的可能都会知道，在爬虫里，requests入门简单，即使是没有基础的小白，学个几天也能简单的去请求网站，但是scrapy就相对来说就比较难，本片文章能是列举几个简单的例子去理解的scrapy工作的原理，理解了scrapy工作的原理之后，学起来就会简单很多

适用：本篇文章适合有一点的爬虫基础但又是刚刚接触或者想要学习scrapy的同学

scrapy框架：

scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

scrapy框架的结构：

scrapy是一个5+2结构,见下图

    5表示：
        1. spiders(蜘蛛)
        2. engine(引擎)
        3. downloader(下载器)
        4. scheduler(调度器)
        5. item pipeline(项目管道)  

    2表示：
        1. downloder middlewares(下载中间件)
        2. spider middlewares(蜘蛛中间件)

[图片上传失败...(image-946ae8-1545285941079)]

---

接下来我们就列举几个列子来方便的理解scrapy原理：

先说一下爬虫，对于一个爬虫，整体来看，分为三个部分:

• 请求

  就是请求网站，分为get和post

• 解析

  就是解析网站返回的response，即对response进行进一步处理

• 存储

  就是把处理过的信息存储到文件，或者数据库的操作

image
而scrapy框架也无外乎也是这分三个部分，下面是4个情景设定，都是学习scrapy刚开始会遇到的，在每个设定后面对其工作的原理给出了简单解释，之所以不写太过详细，是为了方便大家理解，让大家在大脑里面对scrapy框架有大致的轮廓：

设定一：
        初始url：1个
        是否解析：否
        是否存储数据：否

    （1）spider将初始url经过engine传递给scheduler，形成调度队列（1个requests）
    （2）scheduler将requests经过engine调度给downloader进行数据下载，形成原始数据

设定二：
        初始url：1个
        是否解析：是
        是否存储数据：否

    （1）spider将初始url经过engine传递给scheduler，形成调度队列（1个requests）
    （2）scheduler将requests经过engine调度给downloader进行数据下载，形成原始数据
    （3）将原始数据经过engine传递给spider进行解析

设定三：
        初始url：1个
        是否解析：是
        是否存储数据：是

    （1）spider将初始url经过engine传递给scheduler，形成调度队列（多个requests）
    （2）scheduler将第一个requests经过engine调度给downloader进行数据下载，形成原始数据
    （3）将原始数据经过engine传递给spider进行解析
    （4）将解析后的数据经过engine传给item pipeline进行数据存储

设定四：
        初始url：多个
        是否解析：是
        是否存储数据：是

    （1）spider将初始url经过engine传递给scheduler，形成调度队列（多个requests）
    （2）scheduler将第一个requests经过engine调度给downloader进行数据下载，形成原始数据
    （3）将原始数据经过engine传递给spider进行解析
    （4）将解析后的数据经过engine传给item pipeline进行数据存储
    （5）scheduler将下一个requests经过engine调度给downloader进行数据下载，形成原始数据......#重复(2)到（4）步，直到scheduler中没有更多的requests

本篇文章只是对scrapy框架的的原理进行的简单的讲解，想要精通scrapy框架，还需要进一步的学习......