分布式爬虫原理

最新推荐文章于 2024-05-12 23:19:42 发布

Laicaling

最新推荐文章于 2024-05-12 23:19:42 发布

阅读量392

点赞数

CC 4.0 BY-SA版权

分类专栏：网络爬虫数据采集 http代理

本文链接：https://blog.csdn.net/Laicaling/article/details/106500972

本文介绍了Scrapy爬虫框架的工作流程，包括Scrapy Engine、Scheduler、Downloader、Spider和Item Pipeline的角色。通过Scrapy的运作流程，阐述了分布式爬虫的基本思想，即通过扩展Scheduler和Downloader以提升爬取效率，同时使用共享爬取队列来避免重复请求，实现多主机协同爬取。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在了解分布式爬虫架构之前，看下crapy的架构，如下图所示。
在这里插入图片描述
1、Scrapy 框架
Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。
框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。
Scrapy 使用了 Twisted’twɪstɪd异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。
Scrapy 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）
Scrapy的运作流程
代码写好，程序开始运行…