架构概览

    接下来的图表展现了Scrapy的架构，包括组件及在系统中发生的数据流的概览(绿色箭头所示)。下面对每个组件都做了简单介绍，并给出了详细内容的链接。数据流如下所描述。

    引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。详细内容查看下面的数据流(Data Flow)部分。

    调度器(Scheduler)

    调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。

    Spiders

    Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。每个spider负责处理一个特定(或一些)网站。更多内容请看 。

    Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、验证及持久化(例如存取到数据库中)。更多内容查看 Item Pipeline 。

    下载器中间件(Downloader middlewares)

    下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。更多内容请看 下载器中间件(Downloader Middleware) 。

    Scrapy中的数据流由执行引擎控制，其过程如下:

    • 引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
    • 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
    • 引擎向调度器请求下一个要爬取的URL。
    • 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
    • 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
    • Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
    • 引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。
    • (从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

    Scrapy基于事件驱动网络框架 编写。因此，Scrapy基于并发性考虑由非阻塞(即异步)的实现。

    关于异步编程及Twisted更多的内容请查看下列链接: