Scrapy框架的使用之Scrapy框架介绍

Scrapy是一个基于Twisted的异步处理框架，是纯Python实现的爬虫框架，其架构清晰，模块之间的耦合程度低，可扩展性极强，可以灵活完成各种需求。我们只需要定制开发几个模块就可以轻松实现一个爬虫。

1. 架构介绍

首先我们看看Scrapy框架的架构，如下图所示。

它可以分为如下的几个部分。

• Engine。引擎，处理整个系统的数据流处理、触发事务，是整个框架的核心。
• Item。项目，它定义了爬取结果的数据结构，爬取的数据会被赋值成该Item对象。
• Scheduler。调度器，接受引擎发过来的请求并将其加入队列中，在引擎再次请求的时候将请求提供给引擎。
• Downloader。下载器，下载网页内容，并将网页内容返回给蜘蛛。
• Spiders。蜘蛛，其内定义了爬取的逻辑和网页的解析规则，它主要负责解析响应并生成提取结果和新的请求。
• Item Pipeline。项目管道，负责处理由蜘蛛从网页中抽取的项目，它的主要任务是清洗、验证和存储数据。
• Downloader Middlewares。下载器中间件，位于引擎和下载器之间的钩子框架，主要处理引擎与下载器之间的请求及响应。
• Spider Middlewares。蜘蛛中间件，位于引擎和蜘蛛之间的钩子框架，主要处理蜘蛛输入的响应和输出的结果及新的请求。

2. 数据流

Scrapy中的数据流由引擎控制，数据流的过程如下。

• Engine首先打开一个网站，找到处理该网站的Spider，并向该Spider请求第一个要爬取的URL。
• Engine从Spider中获取到第一个要爬取的URL，并通过Scheduler以Request的形式调度。
• Engine向Scheduler请求下一个要爬取的URL。
• Scheduler返回下一个要爬取的URL给Engine，Engine将URL通过Downloader Middlewares转发给Downloader下载。
• 一旦页面下载完毕，Downloader生成该页面的Response，并将其通过Downloader Middlewares发送给Engine。
• Engine从下载器中接收到Response，并将其通过Spider Middlewares发送给Spider处理。
• Spider处理Response，并返回爬取到的Item及新的Request给Engine。
• Engine将Spider返回的Item给Item Pipeline，将新的Request给Scheduler。
• 重复第二步到最后一步，直到Scheduler中没有更多的Request，Engine关闭该网站，爬取结束。

通过多个组件的相互协作、不同组件完成工作的不同、组件对异步处理的支持，Scrapy最大限度地利用了网络带宽，大大提高了数据爬取和处理的效率。

3. 项目结构

Scrapy框架和pyspider不同，它是通过命令行来创建项目的，代码的编写还是需要IDE。项目创建之后，项目文件结构如下所示：

scrapy.cfg
project/
    __init__.py
    items.py
    pipelines.py
    settings.py
    middlewares.py
    spiders/
        __init__.py
        spider1.py
        spider2.py
        ...

这里各个文件的功能描述如下。

• scrapy.cfg：它是Scrapy项目的配置文件，其内定义了项目的配置文件路径、部署相关信息等内容。
• items.py：它定义Item数据结构，所有的Item的定义都可以放这里。
• pipelines.py：它定义Item Pipeline的实现，所有的Item Pipeline的实现都可以放这里。
• settings.py：它定义项目的全局配置。
• middlewares.py：它定义Spider Middlewares和Downloader Middlewares的实现。
• spiders：其内包含一个个Spider的实现，每个Spider都有一个文件。

4. 结语

本节介绍了Scrapy框架的基本架构、数据流过程以及项目结构。后面我们会详细了解Scrapy的用法，感受它的强大。