scrapy框架架构详解

• 1.Scrapy框架介绍

写一个爬虫，需要做很多的事情。比如：发送网络请求、数据解析、数据存储、反反爬虫机制（更换ip代理、设置请求头等）、异步请求等。这些工作如果每次都要自己从零开始写的话，比较浪费时间。因此Scrapy把一些基础的东西封装好了，在他上面写爬虫可以变的更加的高效（爬取效率和开发效率）。因此真正在公司里，一些上了量的爬虫，都是使用Scrapy框架来解决。

• 2.Scrapy架构图

• 流程图1：
  

此图仅仅标出了大概流程，主要的精力还是分析下面一张图上。

• 流程图2：
  

我先给出我个人的理解，然后在附上官方文档：

spiders：是我们用来写爬虫，分析爬虫的主要地方，在一个项目spider占据主要的代码量
engine：是引擎点的意思，是整个scrapy框架的核心，犹如汽车的发动机
scheduler：是调度器的意思，里面相当于有一个队列，来一个url就产生一个request，并存储在队列中
downloader：意思是下载器，就是从网上下载网页信息的东东
item pipelines：意思是管道，主要负责数据的存储
middleware：意思是中间器，主要执行辅助操作，比如代理IP、cookie、user-agent等操作

运作流程：spider传出url到引擎，引擎再传给调度器，调度器收到url后，生成request并存入调度器的队列，调度器的队列有序传给引擎，引擎将request传给下载器，下载器收到request后开始从网上下载信息，下载好之后再传给引擎，引擎再传给spider，执行分析（xpath、css等）筛选出有效信息载传给引擎，引擎将这些信息传递给item pipelines， items pipelines执行存储操作。

• 3.Scrapy框架模块功能

Scrapy Engine（引擎）：Scrapy框架的核心部分。负责在Spider和ItemPipeline、Downloader、Scheduler中间通信、传递数据等。
Spider（爬虫）：发送需要爬取的链接给引擎，最后引擎把其他模块请求回来的数据再发送给爬虫，爬虫就去解析想要的数据。这个部分是我们开发者自己写的，因为要爬取哪些链接，页面中的哪些数据是我们需要的，都是由程序员自己决定。
Scheduler（调度器）：负责接收引擎发送过来的请求，并按照一定的方式进行排列和整理，负责调度请求的顺序等。
Downloader（下载器）：负责接收引擎传过来的下载请求，然后去网络上下载对应的数据再交还给引擎。
Item Pipeline（管道）：负责将Spider（爬虫）传递过来的数据进行保存。具体保存在哪里，应该看开发者自己的需求。
Downloader Middlewares（下载中间件）：可以扩展下载器和引擎之间通信功能的中间件。
Spider Middlewares（Spider中间件）：可以扩展引擎和爬虫之间通信功能的中间件。