scrapy架构及原理

scrapy data flow（流程图）

Scrapy使用了Twisted作为框架，Twisted有些特殊的地方是它是事件驱动的，并且比较适合异步的代码。对于会阻塞线程的操作包含访问文件、数据库或者Web、产生新的进程并需要处理新进程的输出(如运行shell命令)、执行系统层次操作的代码(如等待系统队列),Twisted提供了允许执行上面的操作但不会阻塞代码执行的方法。

下面的图表显示了Scrapy架构组件，以及运行scrapy时的数据流程，图中红色箭头标出。 
我大概翻译了下，具体参考官方文档

Scrapy数据流是由执行的核心引擎(engine)控制，流程是这样的：

1、爬虫引擎获得初始请求开始抓取。 
2、爬虫引擎开始请求调度程序，并准备对下一次的请求进行抓取。 
3、爬虫调度器返回下一个请求给爬虫引擎。 
4、引擎请求发送到下载器，通过下载中间件下载网络数据。 
5、一旦下载器完成页面下载，将下载结果返回给爬虫引擎。 
6、引擎将下载器的响应通过中间件返回给爬虫进行处理。 
7、爬虫处理响应，并通过中间件返回处理后的items，以及新的请求给引擎。 
8、引擎发送处理后的items到项目管道，然后把处理结果返回给调度器，调度器计划处理下一个请求抓取。 
9、重复该过程（继续步骤1），直到爬取完所有的url请求。

上图展示了scrapy的所有组件工作流程，下面单独介绍各个组件

• 爬虫引擎(ENGINE) 
  爬虫引擎负责控制各个组件之间的数据流，当某些操作触发事件后都是通过engine来处理。

• 调度器 
  调度接收来engine的请求并将请求放入队列中，并通过事件返回给engine。

• 下载器 
  通过engine请求下载网络数据并将结果响应给engine。

• Spider 
  Spider发出请求，并处理engine返回给它下载器响应数据，以items和规则内的数据请求(urls)返回给engine。

• 管道项目(item pipeline) 
  负责处理engine返回spider解析后的数据，并且将数据持久化，例如将数据存入数据库或者文件。

• 下载中间件 
  下载中间件是engine和下载器交互组件，以钩子(插件)的形式存在，可以代替接收请求、处理数据的下载以及将结果响应给engine。

• spider中间件 
  spider中间件是engine和spider之间的交互组件，以钩子(插件)的形式存在，可以代替处理response以及返回给engine items及新的请求集。

scrapy项目结构

• items.py 负责数据模型的建立，类似于实体类。
• middlewares.py 自己定义的中间件。
• pipelines.py 负责对spider返回数据的处理。
• settings.py 负责对整个爬虫的配置。
• spiders目录 负责存放继承自scrapy的爬虫类。
• scrapy.cfg scrapy基础配置