Scrapy 入門

Scrapy主要包括以下組件：

    引擎：用來處理整個系統的數據流處理，觸發事務。

    調度器：用來接受引擎發過來的請求，壓入隊列中，并在引擎再次請求的時候返回

     下載器：用來下載網頁內容，并將網頁內容返回給蜘蛛。

    蜘蛛：蜘蛛是主要干活的，用它來制定特定域名或網頁的解析規則

    項目管道：負責處理有蜘蛛從網頁抽取的項目，他的主要任務是清晰、驗證和儲存數據。當頁面被蜘蛛解析后，將被發送到項目管道，并經過及格特定的次序處理數據。

    下載器中間件：位于Scrapy引擎和下載器之間的鉤子框架，主要是處理Scrapy引擎與下載器之間的請求及相應。

    蜘蛛中間件：位于Scrapy引擎和蜘蛛之間的鉤子框架，主要工作是處理蜘蛛的響應輸入和請求輸入。

    調度中間件：介于Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和響應

創建一個Scrapy項目:

    在開始爬取之前，你必須創建一個新的Scrapy項目。

    再進入你打算存儲代碼的目錄中，運行下列命令：

    scrapy startproject tutorial

    該命令將會創建下列內容的tutorial目錄:

        tutorial/

           scrapy.cfg

           tutorial/

             __init__.py

            items.py

            pipelines.py

            settings.py

            spiders/

              __init__.py

              .....

    這些文件分別是:

        scrapy.cfg:項目的配置文件

        tutorial/:該項目的python模塊。之后你將在此加入代碼。

        tutorial/items.py:項目中的item文件。

        tutorial/pipelines.py:項目中的pipelines文件。

        tutorial/settings.py:項目中的配置文件。

        tutorial/spiders/:放置spider代碼的目錄。

定義item

    ·item是保存爬取到的數據的容器；其使用方法和python的字典類似，并且提供了額外的保護機制來避免拼寫錯誤導致的未定義字段錯誤。

    ·類似在ORM中做的一樣，你可以通過創建一個scrapy.Item類，并且定義類型為scrapy.Field的類屬性來定義一個Item。

各部件職能：

Scrapy Engine: 這是引擎，負責Spiders、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requests請求，并按照一定的方式進行整理排列，入隊、并等待Scrapy Engine(引擎)來請求時，交給引擎。簡單的說，就是負責從引擎接受request并入隊，當引擎請求他們時返回request

Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的所有Requests請求，獲取頁面數據并提供給引擎，并將其獲取到的Responses交還給Scrapy Engine(引擎)，而后由引擎交給Spiders來處理，

Spiders：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：它負責處理Spiders中獲取到的Item，并進行處理，比如去重，持久化存儲（存數據庫，寫入文件，總之就是保存數據用的）

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Spiders中間‘通信‘的功能組件（比如進入Spiders的Responses;和從Spiders出去的Requests）

數據在整個Scrapy的流向：

　　通俗版：

程序運行的時候，

引擎：Hi！Spider, 你要處理哪一個網站？

Spiders：我要處理23wx.com

引擎：你把第一個需要的處理的URL給我吧。

Spiders：給你第一個URL是XXXXXXX.com

引擎：Hi！調度器，我這有request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給我，

調度器：給你，這是我處理好的request

引擎：Hi！下載器，你按照下載中間件的設置幫我下載一下這個request

下載器：好的！給你，這是下載好的東西。（如果失敗：不好意思，這個request下載失敗，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！Spiders，這是下載好的東西，并且已經按照Spider中間件處理過了，你處理一下（注意！這兒responses默認是交給def parse這個函數處理的）

Spiders：（處理完畢數據之后對于需要跟進的URL），Hi！引擎，這是我需要跟進的URL，將它的responses交給函數 def  xxxx(self, responses)處理。還有這是我獲取到的Item。

引擎：Hi ！Item Pipeline 我這兒有個item你幫我處理一下！調度器！這是我需要的URL你幫我處理下。然后從第四步開始循環，直到獲取到你需要的信息，

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會重新下載。）

再總結下，流程是：

　　　　　核心引擎從爬蟲獲取初始url，并生成一個Request任務投入Scheduler調度計劃里

　　　　　引擎向調度器請求一個新的Request爬取任務并轉發給downloader下載器

　　　　　下載器載入頁面并返回一個Response響應給引擎

　　　　　引擎將Response轉發給Spider爬蟲做 數據提取 和 搜索新的跟進地址

　　　　　處理結果由引擎做分發：提取的數據 -> ItemPipeline管道，新的跟進地址Request -> 調度器

　　　　   流程返回第二步循環執行，直至調度器中的任務被處理完畢