scrapy框架解析

• scrapy

  Scrapy 是用纯 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。 框架的力量，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，非常之方便。Scrapy 使用了 Twisted(其主要对手是 Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

• Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下
  

• Scrapy主要包括了以下组件：

1. 引擎(Scrapy)

   用来处理整个系统的数据流, 触发事务(框架核心)

2. 调度器(Scheduler)

   用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

3. 下载器(Downloader)

   用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

4. 爬虫(Spiders)

   爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

5. 项目管道(Pipeline)

   负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

6. 下载器中间件(Downloader Middlewares)

   位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

7. 爬虫中间件(Spider Middlewares)

   介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

8. 调度中间件(Scheduler Middewares)

   介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

• Scrapy运行流程大概如下：

  ----引擎从调度器中取出一个链接(URL)用于接下来的抓取
  ----引擎把URL封装成一个请求(Request)传给下载器
  ----下载器把资源下载下来，并封装成应答包(Response)
  ----爬虫解析Response
  ----解析出实体（Item）,则交给实体管道进行进一步的处理
  ----解析出的是链接（URL）,则把URL交给调度器等待抓取