爬虫---10.scrapy框架(贰-五大核心组件)

• Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，也可以应用在获取API所返回的数据(例 如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

• Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

• Scrapy框架主要由五大组件组成，它们分别是：

  • 调度器(Scheduler)
  • 下载器(Downloader)
  • 爬虫（Spider）
  • 实体管道(Item Pipeline)
  • Scrapy引擎(Scrapy Engine)

• 组件是为了分布做铺垫的

• 引擎（scrapy）

  • 用来处理整个系统的数据流，触发事务，属于框架核心

• 调度器（scheduler）

  • 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（可以想象成一个URL 抓取网页的网址或者说是连接）的优先队列，由他决定下个要抓取的网址是什么，同时有去重功能
  • 调度器包含两部分：过滤器和队列

• 下载器（Downloader）

  • 用于下载网页内容 并将网页内容返回给Scrapy。下载器是建立在twisted这个高效的异步模型上的。