Scrapy结构如下:
具体要写一个爬虫,只需要在spiders文件夹中新建一个.py文件,里面继承一个爬虫基类,重写方法,即可得到一个新的爬虫。
底下这个类是爬虫的基类,每个具体的爬虫都是继承的这个类,一般重写strat_requests方法来生成一个新的爬虫。
如下图是各个模块之间的关系:
crapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,
Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器),
Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.
Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)
总结:
Template Method Pattern的存在使得代码便于维护和扩展。它将实例共有的,逻辑相同的方法抽离出来,作为Template Method,而不同的实例只用实现不同的部分,让我们省去很多重复劳动。
这是我github上的一个项目:
https://github.com/chouhui/chou_crawl/tree/master/fish
原文:https://www.cnblogs.com/cyh2czj/p/11999171.html