scrapy爬虫框架及运行流程

1 scrapy 简介

1.1 什么是爬虫？

爬虫相当于在互联网上爬行的蜘蛛，如果遇到需要的资源，那么它就会抓取下来（html内容）；模拟浏览器快速访问页面内容。

1.2 浏览网页的过程中发生了什么？

例：浏览器输入http://www.baidu.com

• 1、根据配置的DNS获取www.baidu.com对应的主机ip；
• 2、根据端口号知道跟服务器的那个软件进行交互；
• 3、百度的服务器接收客户端请求；
• 4、给客户端主机一个响应（html内容）——html，css，js
• 5 、浏览器根据html内容解释值型，粘是出华丽的页面；

1.3 scrapy爬虫框架

scrapy是一个纯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。
scrapy最吸引人的地方在于它是一个框架，任人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

1.4 scrapy爬虫框架优势

• 1） 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，非常方便。
• 2） srapy使用了TWisted异步网络框架来处理网络通讯，加快网页下载速度，不需要自己实现异步框架和多线程等，并且包含了各种中间件接口，灵活完成各种需求。

2 scrapy 构架图

• crapy 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