Scrapy的介绍、组件、数据流

一、Scrapy是什么？

    Scrapy是一套基于Twisted的异步处理框架，是纯Python实现的爬虫框架，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，用来抓取网页内容或者各种图片。

二、Scrapy框架

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，

Spiders（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）。

三、Scrapy的运作流程

代码写好，程序开始运行...

• 1 引擎：Hi！Spider, 你要处理哪一个网站？

• 2 Spider：老大要我处理xxxx.com。

• 3 引擎：你把第一个需要处理的URL给我吧。

• 4 Spider：给你，第一个URL是xxxxxxx.com。

• 5 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

• 6 调度器：好的，正在处理你等一下。

• 7 引擎：Hi！调度器，把你处理好的request请求给我。

• 8 调度器：给你，这是我处理好的request

• 9 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

• 10 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）

• 11 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）

• 12 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。

• 13 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。

• 14 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。

四、制作Scrapy爬虫需要四步：

1. 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目

2. 明确目标 （编写items.py）：明确你想要抓取的目标

3. 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页

4. 存储内容 （pipelines.py）：设计管道存储爬取内容