Python:Scrapy 框架简单介绍

• 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]​​(其主要对手是Tornado)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架构图(绿线是数据流向)：

• ​​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...

​​引擎​​：Hi！​​Spider​​, 你要处理哪一个网站？

​​Spider​​：老大要我处理xxxx.com。

​​引擎​​：你把第一个需要处理的URL给我吧。

​​Spider​​：给你，第一个URL是xxxxxxx.com。

​​引擎​​：Hi！​​调度器​​，我这有request请求你帮我排序入队一下。

​​调度器​​：好的，正在处理你等一下。

​​引擎​​：Hi！​​调度器​​，把你处理好的request请求给我。

​​调度器​​：给你，这是我处理好的request

​​引擎​​：Hi！下载器，你按照老大的​​下载中间件​​的设置帮我下载一下这个request请求

​​下载器​​：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后​​引擎​​告诉​​调度器​​，这个request下载失败了，你记录一下，我们待会儿再下载）

​​引擎​​：Hi！​​Spider​​，这是下载好的东西，并且已经按照老大的​​下载中间件​​处理过了，你自己处理一下（注意！这儿responses默认是交给​​def parse()​​这个函数处理的）

​​Spider​​：（处理完毕数据之后对于需要跟进的URL），Hi！​​引擎​​，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。

​​引擎​​：Hi ！​​管道​​ 我这儿有个item你帮我处理一下！​​调度器​​！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。

​​管道``调度器​​：好的，现在就做！

注意！只有当​​调度器​​中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）

制作 Scrapy 爬虫 一共需要4步：

• 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
• 明确目标 （编写items.py）：明确你想要抓取的目标
• 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
• 存储内容 （pipelines.py）：设计管道存储爬取内容