Python学习之路-爬虫进阶:爬虫框架

了解框架

什么是框架

框架是为了为解决一类问题而开发的程序，框架两个字可以分开理解，框：表示指定解决问题的边界，明确要解决的问题；架：表达的是能够提供一定的支撑性和可扩展性；从而实现解决这类问题达到快速开发的目的。

为什么要实现一个框架

现在网络上现成的开源第三方框架非常多，为什么还需要自己实现一个框架？

1. 现成开源第三方框架的局限性：

   现成开源第三方框架是为了尽可能满足大部分的需求，不可能做到面面俱到，以及第三方框架的调试相对复杂

2. 解决特定的工作需求：

   工作中会有很多特殊的需求，会经常使用某种套路去实现这些需求，那么为了提高效率可以专门把这种套路封装成一个框架

   比如专门针对电商网站、新闻资讯写一个爬虫框架；再比如针对断点续爬、增量抓取等需求写一个框架

3. 提高自己的技术能力：

   不一定需要亲自造轮子，但是应该知道如何造轮子

如何完成一个框架

现在我们明确了框架是什么以及为什么要实现一个框架，那么到底应该如何实现一个框架呢，我们的idea从哪里来呢？

1. 经验丰富的程序员：

   直接根据以往经验和业务的需求进行框架原型设计，并用语言去实现

2. 经验一般的程序员：

   通常应该是先学习别人的框架如何实现的，先学习别人优秀的比较好的实现思路和方案

那么同样的，对于我们：
我们可以结合目前学习过的爬虫知识和爬虫框架，了解他们的设计思路，在这个基础上进行模仿和改进，从而实现一个框架

框架设计思路分析

学习Scrapy，提取它的设计思想

爬虫的流程

爬虫框架解决的问题是爬虫问题，先来看看爬虫的基本流程：

1. 构建请求信息(url、method、headers、params、data)
2. 发起HTTP/HTTPS请求，获取HTTP/HTTPS响应
3. 解析响应，分析响应数据的数据结构或者页面结构
   • 提取数据
   • 提取请求的地址
4. 对数据进行存储/对新的请求地址重复前面的步骤

无论什么爬虫框架，其核心都离不开上面几个步骤

scrapy爬虫流程分析

1. 三个内置对象：

    请求对象(Request)响应对象(Response)数据对象(Item)
   

2. 五个核心组件：

    爬虫组件构建请求信息(初始的)，也就是生成请求对象(Request)解析响应对象，返回数据对象(Item)或者新的请求对象(Request)调度器组件缓存请求对象(Request)，并为下载器提供请求对象，实现请求的调度对请求对象进行去重判断下载器组件根据请求对象(Request)，发起HTTP、HTTPS网络请求，拿到HTTP、HTTPS响应，构建响应对象(Response)并返回管道组件负责处理数据对象(Item)引擎组件负责驱动各大组件，通过调用各自对外提供的API接口，实现它们之间的交互和协作提供整个框架的启动入口
   

3. 两个中间件：

    爬虫中间件对请求对象和数据对象进行预处理下载器中间件对请求对象和响应对象进行预处理
   

那么对应的，我们也可以在自己的框架是实现这样几个模块和对象