Scrapy的介紹、組件、數據流

一、Scrapy是什么？

    Scrapy是一套基于Twisted的異步處理框架，是純Python實現的爬蟲框架，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，用來抓取網頁內容或者各種圖片。

二、Scrapy框架

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，

Spiders（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）。

三、Scrapy的運作流程

代碼寫好，程序開始運行...

• 1 引擎：Hi！Spider, 你要處理哪一個網站？

• 2 Spider：老大要我處理xxxx.com。

• 3 引擎：你把第一個需要處理的URL給我吧。

• 4 Spider：給你，第一個URL是xxxxxxx.com。

• 5 引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。

• 6 調度器：好的，正在處理你等一下。

• 7 引擎：Hi！調度器，把你處理好的request請求給我。

• 8 調度器：給你，這是我處理好的request

• 9 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

• 10 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）

• 11 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）

• 12 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。

• 13 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。

• 14 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。

四、制作Scrapy爬蟲需要四步：

1. 新建項目 (scrapy startproject xxx)：新建一個新的爬蟲項目

2. 明確目標 （編寫items.py）：明確你想要抓取的目標

3. 制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網頁

4. 存儲內容 （pipelines.py）：設計管道存儲爬取內容