07 scrapy 五大核心组件

scrapy 五大核心组件

• 组件的作用：
  • 引擎(Scrapy)
    • 用来处理整个系统的数据流处理, 触发事务(框架核心)
  • 调度器(Scheduler)
    • 队列+过滤器组成
    • 用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
  • 下载器(Downloader) 这里体现了scrapy的异步
    • 在这里可以对请求和响应进行篡改 下载中间件
    • 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的）
  • 爬虫(Spiders)
    • 在这里可以对请求和响应进行篡改 爬虫中间件
    • 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
  • 项目管道(Pipeline)
  • 负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

注意: 对于中间件，我们一般使用下载中间件，因为经过下载中间件的请求都是已经使用调度器进行了去重，而爬虫中间件没有去重。