17-爬虫之scrapy框架五大核心组件工作流程及下载中间件介绍04

scrapy的五大核心组件

引擎(Scrapy)

对整个系统的数据流进行处理, 触发事务(框架核心).

调度器(Scheduler)

用来接受引擎发过来的请求. 由过滤器过滤重复的url并将其压入队列中, 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.

下载器(Downloader)

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)

爬虫是主要干活的, 它可以生成url, 并从特定的url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.

工作流程

　　当我们执行爬虫文件的时候，这五大组件就已经开始工作了 。其中，

• 1 首先，我们最原始的起始url是在我们爬虫文件中的，通常情况系，起始的url只有一个，当我们的爬虫文件执行的时候，首先对起始url发送请求，将起始url封装成了请求对象，将请求对象传递给了引擎，引擎就收到了爬虫文件给它发送的封装了起始URL的请求对象。我们在爬虫文件中发送的请求并没有拿到响应（没有马上拿到响应），只有请求发送到服务器端，服务器端返回响应，才能拿到响应。

• 2 引擎拿到这个请求对象以后，又将请求对象发送给了调度器，队列接受到的请求都放到了队列当中，队列中可能存在多个请求对象，然后通过过滤器，去掉重复的请求

• 3 调度器将过滤后的请求对象发送给了引擎，

• 4 引擎将拿到的请求对象给了下载器

• 5 下载器拿到请求后将请求拿到互联网进行数据下载

• 6 互联网将下载好的数据发送给下载器，此时下载好的数据是封装在响应对象中的

• 7 下载器将响应对象发送给引擎，引擎接收到了响应对象，此时引擎中存储了从互联网中下载的数据。

• 8 最终，这个响应对象又由引擎给了spider（爬虫文件），由parse方法中的response对象来接收，然后再parse方法中进行解析数据，此时可能解析到新的url，然后再次发请求；也可能解析到相关的数据，然后将数据进行封装得到item，

• 9 spider将item发送给引擎，

• 10 引擎将item发送给管道。

其中，在引擎和下载中间还有一个下载器中间件，spider和引擎中间有爬虫中间件，

爬虫中间件

• 拦截请求和响应，对请求和响应进行处理。

下载器中间件（重点）

• 可以拦截请求和响应对象，请求和响应交互的时候一定会经过下载中间件，可以处理请求和响应。
  • 拦截请求：
    • 篡改请求url
    • 伪装请求头信息UA Cookie
    • 设置请求代理（重点）
  • 拦截响应
    • 篡改响应数据
  • 代理操作必须使用中间件才可以实现
    • process_exception:
      • request.meta[‘proxy’] = ‘http://ip:port’ # 设置代理

创建工程

创建一个爬虫工程：scrapy startproject proName
进入工程目录创建爬虫源文件：scrapy genspider spiderName www.xxx.com
执行工程：scrapy crawl spiderName

对middlewares.py进行精简并编辑

• 只留下下载中间件的类容

from scrapy import signals
from itemadapter import is_item, ItemAdapter



class MiddleproDownloaderMiddleware(object):

    # 拦截所有(正常&异常)的请求
    # 参数： request就是拦截到的请求，spider就是爬虫类实例化的对象
    def process_request(self, request, spider):
        print('process_request()')
        return None # or request


    # 拦截所有的响应对象
    # 参数：response拦截到的响应对象，request响应对象对应的请求对象
    def process_response(self, request, response, spider):
        print('process_response()')
        return response


    # 拦截异常的请求
    # 参数：request就是拦截到的发生异常的请求
    # 作用：想要将异常的请求进行修正，将其变成正常的请求，然后对其进行重新发送
    def process_exception(self, request, exception, spider):
        # 请求的ip被禁掉，该请求就会变成一个异常的请求
        request.meta['proxy'] = 'http://ip:port'  # 设置代理
        print('process_exception()')
        return request #将异常的请求修正后进行重新发送