Scrapy的架构初探

1，引言

本文简单讲解一下Scrapy的架构。没错，GooSeeker开源的通用提取器gsExtractor就是要集成到Scrapy架构中，最看重的是Scrapy的事件驱动的可扩展的架构。除了Scrapy，这一批研究对象还包括ScrapingHub，Import.io等，把先进的思路、技术引进来。

请注意，本文不想复述原文内容，而是为了开源Python爬虫的发展方向找参照，而且以9年来开发网络爬虫经验作为对标，从而本文含有不少笔者主观评述，如果想读Scrapy官方原文，请点击Scrapy官网的Architecture。

2，Scrapy架构图

Spiders就是针对特定目标网站编写的内容提取器，这是在通用网络爬虫框架中最需要定制的部分。使用Scrapy创建一个爬虫工程的时候，就会生成一个Spider架子，只需往里面填写代码，按照它的运行模式填写，就能融入Scrapy整体的数据流中。GooSeeker开源网络爬虫的目标是节省下程序员一半以上的时间，关键就是提高Spider的定义和测试速度，解决方案参看《1分钟快速生成网页内容提取器》，让整个Scrapy爬虫系统实现快速定制的目标。

3，Scrapy的数据流（Data Flow）

Scrapy中的数据流由执行引擎控制，下面的原文摘自Scrapy官网，我根据猜测做了点评，为进一步开发GooSeeker开源爬虫指示方向：

• The Engine gets the first URLs to crawl from the Spider and schedules them in the Scheduler, as Requests.（URL谁来准备呢？看样子是Spider自己来准备，那么可以猜测Scrapy架构部分（不包括Spider）主要做事件调度，不管网址的存储。看起来类似GooSeeker会员中心的爬虫罗盘，为目标网站准备一批网址，放在罗盘中准备执行爬虫调度操作。所以，这个开源项目的下一个目标是把URL的管理放在一个集中的调度库里面）
• The Engine asks the Scheduler for the next URLs to crawl.（看到这里其实挺难理解的，要看一些其他文档才能理解透。接第1点，引擎从Spider中把网址拿到以后，封装成一个Request，交给了事件循环，会被Scheduler收来做调度管理的，暂且理解成对Request做排队。引擎现在就找Scheduler要接下来要下载的网页地址）
• The Scheduler returns the next URLs to crawl to the Engine and the Engine sends them to the Downloader, passing through the Downloader Middleware (request direction).（从调度器申请任务，把申请到的任务交给下载器，在下载器和引擎之间有个下载器中间件，这是作为一个开发框架的必备亮点，开发者可以在这里进行一些定制化扩展）
• Once the page finishes downloading the Downloader generates a Response (with that page) and sends it to the Engine, passing through the Downloader Middleware (response direction).（下载完成了，产生一个Response，通过下载器中间件交给引擎。注意，Response和前面的Request的首字母都是大写，虽然我还没有看其它Scrapy文档，但是我猜测这是Scrapy框架内部的事件对象，也可以推测出是一个异步的事件驱动的引擎，对于高性能、低开销引擎来说，这是必须的）
• The Engine receives the Response from the Downloader and sends it to the Spider for processing, passing through the Spider Middleware (input direction).（再次出现一个中间件，给开发者足够的发挥空间）
• The Spider processes the Response and returns scraped items and new Requests (to follow) to the Engine.（每个Spider顺序抓取一个个网页，完成一个就构造另一个Request事件，开始另一个网页的抓取）
• The Engine passes scraped items and new Requests returned by a spider through Spider Middleware (output direction), and then sends processed items to Item Pipelines and processed Requests to the Scheduler.（引擎作事件分发）
• The process repeats (from step 1) until there are no more requests from the Scheduler.（持续不断地运行）
  

4，接下来的工作
接下来，我们将进一步研读Scrapy的文档，实现GooSeeker开源Python爬虫与Scrapy的集成

5，文档修改历史

2016-06-04：V1.0，首次发布

又整理了一篇学习笔记：http://www.gooseeker.com/doc/thread-1898-1-1.html

本篇的一些猜测得到了印证，Scrapy十分强大，模块化很高。

GooSeeker的C++网络爬虫DS打数机也是一个事件驱动的架构，基本思路一致，但是，模块化太差。GooSeeker包含会员中心在内的“大爬虫”总体强调了模块化和第三方可插拔，但是，具体到DS打数机程序内部是一整块，从而5.0版本规划的开发者模式一直不便于开放。