Scrapy框架结构及工作原理
组件
描述
类型
ENGINE
引擎，框架的核心，其他所有组件在其控制下协同工作
内部组件
SCHEDULER
调度器，负责对SPIDER提交的下载请求进行调度
内部组件
DOWNLOADER
下载器，负责下载页面（发送HTTP请求/接收HTTP响应）
内部组件
SPIDER
爬虫，负责提取页面中的数据，并产生对新页面的下载请求
用户实现
MIDDLEWARE
中间件，负责对Request对象和Response对象进行处理
可选组件
ITEM PIPELINE
数据管道，负责对爬取到的数据进行处理
可选组件
数据流
对象
描述
REQUEST
Scrapy中的HTTP请求对象
RESPONSE
Scrapy中的HTTP响应对象
ITEM
从页面中爬取的一项数据
Request和Response是HTTP协议中的术语，即HTTP请求和HTTP响应，Scrapy框架中定义了相应的Request和Response类，这里的Item代表Spider从页面中爬取的一项数据。最后，我们来说明以上几种对象在框架中的流动过程。
● 当SPIDER要爬取某URL地址的页面时，需使用该URL构造一个Request对象，提交给ENGINE（图中的1）。
● Request对象随后进入SCHEDULER按某种算法进行排队，之后的某个时刻SCHEDULER将其出队，送往DOWNLOADER（图中的2、3、4）。
● DOWNLOADER根据Request对象中的URL地址发送一次HTTP请求到网站服务器，之后用服务器返回的HTTP响应构造出一个Response对象，其中包含页面的HTML文本（图中的5）。
● Response对象最终会被递送给SPIDER的页面解析函数（构造Request对象时指定）进行处理，页面解析函数从页面中提取数据，封装成Item后提交给ENGINE, Item之后被送往ITEM PIPELINES进行处理，最终可能由EXPORTER（图中没有显示）以某种数据格式写入文件（csv, json）；另一方面，页面解析函数还从页面中提取链接（URL），构造出新的Request对象提交给ENGINE（图中的6、7、8）。
理解了框架中的数据流，也就理解了Scrapy爬虫的工作原理。如果把框架中的组件比作人体的各个器官，Request和Response对象便是血液，Item则是代谢产物。
Request和Response对象
Request对象
Request对象用来描述一个HTTP请求
Request(url[,callback,method='GET',headers,body,cookies,meta,encoding='utf-8',priority=0,dont_filter=False,errback])
参数
描述
url (必选)
请求页面的url地址，bytes或str类型，如’http://www.python.org/doc’。
callback
页面解析函数，Callable类型，Request对象请求的页面下载完成后，由该参数指定的页面解析函数被调用。如果未传递该参数，默认调用Spider的parse方法。
method
HTTP请求的方法，默认为’GET’。
headers
HTTP请求的头部字典，dict类型，例如{‘Accept’:‘text/html’, ‘User-Agent’:Mozilla/5.0’}。如果其中某项的值为None，就表示不发送该项HTTP头部，例如{‘Cookie’: None}，禁止发送Cookie。
body
HTTP请求的正文，bytes或str类型。
cookies
Cookie信息字典，dict类型，例如{‘currency’:‘USD’, ‘country’: ‘UY’}。
meta
Request的元数据字典，dict类型，用于给框架中其他组件传递信息，比如中间件ItemPipeline。其他组件可以使用Request对象的meta属性访问该元数据字典（request.meta），也用于给响应处理函数传递信息，详见Response的meta属性。
encoding
url和body参数的编码默认为’utf-8’。如果传入的url或body参数是str类型，就使用该参数进行编码。
priority
请求的优先级默认值为0，优先级高的请求优先下载。
dont_filter
默认情况下（dont_filter=False），对同一个url地址多次提交下载请求，后面的请求会被去重过滤器过滤（避免重复下载）。如果将该参数置为True，可以使请求避免被过滤，强制下载。例如，在多次爬取一个内容随时间而变化的页面时（每次使用相同的url），可以将该参数置为True。
errback
请求出现异常或者出现HTTP错误时（如404页面不存在）的回调函数。
虽然参数很多，但除了url参数外，其他都带有默认值。在构造Request对象时，通常我们只需传递一个url参数或再加一个callback参数，其他使用默认值即可
常用的属性：url、method、headers、body、meta、
Response对象
Response对象用来描述一个HTTP响应，Response只是一个基类，根据响应内容的不同有如下子类：
● TextResponse
● HtmlResponse
● XmlResponse
属性/方法
描述
url
HTTP响应的url地址，str类型。
status
HTTP响应的状态码，int类型，例如200, 404。
headers
HTTP响应的头部，类字典类型，可以调用get或getlist方法对其进行访问
body
HTTP响应正文，bytes类型。
text
文本形式的HTTP响应正文，str类型，它是由response.body使用response.encoding解码得到的
encoding
HTTP响应正文的编码，它的值可能是从HTTP响应头部或正文中解析出来的。
request
产生该HTTP响应的Request对象。
meta
即response.request.meta，在构造Request对象时，可将要传递给响应处理函数的信息通过meta参数传入；响应处理函数处理响应时，通过response.meta将信息取出。
selector
Selector对象用于在Response中提取数据
xpath(query)
使用XPath选择器在Response中提取数据，实际上它是response.selector.xpath方法的快捷方式
css(query)
使用CSS选择器在Response中提取数据，实际上它是response.selector.css方法的快捷方式
urljoin（url）
用于构造绝对url。当传入的url参数是一个相对地址时，根据response.url计算出相应的绝对url
常用：xpath(query)、css(query)、urljoin(url)
Spider开发流程
import scrapyclass BookSpiderSpider(scrapy.Spider):
name = 'book_spider'
# allowed_domains = ['http://books.toscrape.com/']
start_urls = ['http://books.toscrape.com//']
def parse(self, response):
for book in response.css('article.product_pod'):
name=book.xpath('./h3/a/@title').extract_first()
price=book.css('p.price_color::text').extract_first()
yield {
'name':name,
'price':price,
}
next_url=response.css('ul.pager li.next a::attr(href)').extract_first()
if next_url:
next_url=response.urljoin(next_url)
yield scrapy.Request(next_url,callback=self.parse)
实现一个Spider只需要完成下面4个步骤：
01 继承scrapy.Spider
02 为Spider取名
03 设定起始爬取点
04 实现页面解析函数
继承scrapy.Spider
import scrapyclass BookSpiderSpider(scrapy.Spider):
为Spider命名
class BookSpiderSpider(scrapy.Spider):name = 'book_spider'
设定起始爬取点
class BookSpiderSpider(scrapy.Spider):name = 'book_spider'
start_urls = ['http://books.toscrape.com//']
start_urls通常被实现成一个列表，其中放入所有起始爬取点的url（例子中只有一个起始点）。
实现页面解析函数
页面解析函数也就是构造Request对象时通过callback参数指定的回调函数（或默认的parse方法）。页面解析函数是实现Spider中最核心的部分，它需要完成以下两项工作：
● 使用选择器提取页面中的数据，将数据封装后（Item或字典）提交给Scrapy引擎。
● 使用选择器或LinkExtractor提取页面中的链接，用其构造新的Request对象并提交给Scrapy引擎（下载链接页面）。
一个页面中可能包含多项数据以及多个链接，因此页面解析函数被要求返回一个可迭代对象（通常被实现成一个生成器函数），每次迭代返回一项数据（Item或字典）或一个Request对象。
参考资料：《精通Scrapy网络爬虫》刘硕 清华大学出版社