Scrapy 框架
-
Scrapy是用純Python實現一個為了爬取網站數據、提取結構性數據而編寫的應用框架，用途非常廣泛。
-
框架的力量，用戶只需要定制開發幾個模塊就可以輕松的實現一個爬蟲，用來抓取網頁內容以及各種圖片，非常之方便。
-
Scrapy 使用了 Twisted
['tw?st?d](其主要對手是Tornado)異步網絡框架來處理網絡通訊，可以加快我們的下載速度，不用自己去實現異步框架，并且包含了各種中間件接口，可以靈活的完成各種需求。
Scrapy架構圖(綠線是數據流向)：
-
Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數據傳遞等。 -
Scheduler(調度器): 它負責接受引擎發送過來的Request請求，并按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。 -
Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的所有Requests請求，并將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理， -
Spider（爬蟲）：它負責處理所有Responses,從中分析提取數據，獲取Item字段需要的數據，并將需要跟進的URL提交給引擎，再次進入Scheduler(調度器)， -
Item Pipeline(管道)：它負責處理Spider中獲取到的Item，并進行進行后期處理（詳細分析、過濾、存儲等）的地方. -
Downloader Middlewares（下載中間件）：你可以當作是一個可以自定義擴展下載功能的組件。 -
Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件（比如進入Spider的Responses;和從Spider出去的Requests）
Scrapy的運作流程
代碼寫好，程序開始運行...
-
引擎：Hi！Spider, 你要處理哪一個網站？ -
Spider：老大要我處理xxxx.com。 -
引擎：你把第一個需要處理的URL給我吧。 -
Spider：給你，第一個URL是xxxxxxx.com。 -
引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。 -
調度器：好的，正在處理你等一下。 -
引擎：Hi！調度器，把你處理好的request請求給我。 -
調度器：給你，這是我處理好的request -
引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求 -
下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然后引擎告訴調度器，這個request下載失敗了，你記錄一下，我們待會兒再下載） -
引擎：Hi！Spider，這是下載好的東西，并且已經按照老大的下載中間件處理過了，你自己處理一下（注意！這兒responses默認是交給def parse()這個函數處理的） -
Spider：（處理完畢數據之后對于需要跟進的URL），Hi！引擎，我這里有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item數據。 -
引擎：Hi ！管道?我這兒有個item你幫我處理一下！調度器！這是需要跟進URL你幫我處理下。然后從第四步開始循環，直到獲取完老大需要全部信息。 -
管道``調度器：好的，現在就做！
注意！只有當調度器中不存在任何request了，整個程序才會停止，（也就是說，對于下載失敗的URL，Scrapy也會重新下載。）
制作 Scrapy 爬蟲 一共需要4步：
- 新建項目 (scrapy startproject xxx)：新建一個新的爬蟲項目
- 明確目標 （編寫items.py）：明確你想要抓取的目標
- 制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網頁
- 存儲內容 （pipelines.py）：設計管道存儲爬取內容
