爬虫框架-Scrapy 结构介绍

简述：爬取整个网站级别等需求复杂的爬虫，可以使用Scrapy框架。并发性好，速度快。　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

构成：

　　5+2结构

　　1. Engine模块

　　　　作用：1. 控制所有模块（2,3,4,5,a,b）之间的数据流 　　2. 根据条件来触发事件

　　a. Downloader Middleware(Downloader模块和engine模块之间的中间键) 

　　　　作用：1. 可以通过此中间键，对spiders发来的请求进行修改，丢弃，新增等操作 　

　　　　　　　2. 对Downloader下载到的数据进行修改，丢弃，新增等操作

　　2. Downloader模块

　　　　作用： 根据 (4--1--3--1--2) ，下载请求的页面数据

　　3. Scheduler模块

　　　　作用：对所有爬取请求进行调度 (4--1--3) ，管理

　　4. Spiders 模块

　　　　作用： 1. 提供最初始访问链接　　2. 解析Downloader返回的响应　　3. 提取响应中的：数据 + 新的url　　4. 产生新的爬取请求

　　5. Item Pipelines模块

　　　　作用： 处理Spiders提取的数据（清理、检验、查重、保存）

 

流程图：