爬虫框架scrapy的运作流程

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['twɪstɪd](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。

注意这个是scrapy重中之重的原理图

• Scrapy 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 Spider 中获取到的 Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。
• Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。
• Spider Middlewares（Spider 中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider 中间通信的功能组件（比如进入 Spider 的 Responses;和从 Spider 出去的 Requests）

Scrapy 的运作流程
代码写好，程序开始运行... 引擎：Hi！Spider, 你要处理哪一个网站？
Spider：老大要我处理 xxxx.com。
引擎：你把第一个需要处理的 URL 给我吧。
Spider：给你，第一个 URL 是 xxxxxxx.com。
引擎：Hi！调度器，我这有 request 请求你帮我排序入队一下。
调度器：好的，正在处理你等一下。
引擎：Hi！调度器，把你处理好的 request 请求给我。
调度器：给你，这是我处理好的 request
引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个 request 请求
下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个 request 下载失败
了。然后引擎告诉调度器，这个 request 下载失败了，你记录一下，我们待会儿再下载）
引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你
自己处理一下（注意！这儿 responses 默认是交给 def parse()这个函数处理的）
Spider：（处理完毕数据之后对于需要跟进的 URL），Hi！引擎，我这里有两个结果，
这个是我需要跟进的 URL，还有这个是我获取到的 Item 数据。
引擎：Hi ！管道 我这儿有个 item 你帮我处理一下！调度器！这是需要跟进 URL 你帮
我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
管道``调度器：好的，现在就做！
注意！只有当调度器中不存在任何 request 了，整个程序才会停止，（也就是说，对于
下载失败的 URL，Scrapy 也会重新下载。）

总结:拿实例来解释理解起来确实费劲

这个时候有了url，spiders将url交给了scrapyengine，然后scrapyengine让scheduler去处理request请求，将结果给引擎，接着scrapyengine让downloader去下载这个request请求，将结果给引擎，这个中间件downloadermiddlewares说白了就是写我们的反反爬虫策略的，然后这个时候处理的已经处理完了，拿到了对应的response，我们的parse函数是专门来接收response并且开始抓取具体的业务，在这里会有分支，就是深度爬取，比如说当前页的详情页，那么详情页需要再写一个函数在self（这里的self指的是需要深度爬取的函数）函数里进行callback，也就是上图的yield部分，这个时候会在接下来的函数接着重复之前的操作，以为每深进一个url就要重复上述操作即从引擎开始到这里的步骤，直到没有下一个链接在最后一个没有链接的函数里进行yield item。另一个就是没有深度爬取直接返回item，直接返回item之后引擎会把item给管道，管道就是我们与数据库打交道的，写好连接数据库的业务逻辑，开始入库。

这是自己写的中间件注意要继承object然后就是自己定义的这些函数需要的参数不要落下，

class GuaZi(object):
    #设置cookie
    def process_request(self,request,spider):
        request.cookies = {
            "uuid": "d3bdd02f-e0d2-4a63-d0fd-4100a4c3d963",
                        "antipas":"s41587E6229ZE29Y363371M1I82",
                        "cityDomain":"bj",
                        "clueSourceCode":"10103000312%2300",
                        "user_city_id":"12",
                        "preTime":"%7B%22last%22%3A1562651840%2C%22this%22%3A1562651840%2C%22pre%22%3A1562651840%7D",
                        "ganji_uuid":"8536057584891394286262",
                        "sessionid":"be2b22ee-cca9-4589-848c-01b5977eed31",
                        "lg":"1",
                        "cainfo":"%7B%22ca_s%22%3A%22pz_baidu%22%2C%22ca_n%22%3A%"
                                 "22tbmkbturl%22%2C%22ca_medium%22%3A%22-%22%2C%22ca"
                                 "_term%22%3A%22-%22%2C%22ca_content%22%3A%22%22%2C%22ca"
                                 "_campaign%22%3A%22%22%2C%22ca_kw%22%3A%22-%22%2C%22"
                                 "keyword%22%3A%22-%22%2C%22ca_keywordid%22%3A%22-%22%2C%22"
                                 "scode%22%3A%2210103000312%22%2C%22ca_transid%22%3A%22%22%2C%"
                                 "22platform%22%3A%221%22%2C%22version%22%3A1%2C%22ca_i%22%3A%22"
                                 "-%22%2C%22ca_b%22%3A%22-%22%2C%22ca_a%22%3A%22-%22%2C%22display"
                                 "_finance_flag%22%3A%22-%22%2C%22client_ab%22%3A%22-%22%2C%22guid"
                                 "%22%3A%22d3bdd02f-e0d2-4a63-d0fd-4100a4c3d963%22%2C%22sessionid%22"
                                 "%3A%22be2b22ee-cca9-4589-848c-01b5977eed31%22%7D"

        }
        request.headers['User-Agent'] = 'Mozilla / 5.0(Windows NT 6.1;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 73.0.3683.86Safari / 537.36'

#设置代理
class ProxyMiddleware(object):
    def process_request(self,request,spider):
        if request.url.startswith("http://"):
            request.meta['proxy']="http://"+'202.120.38.131:80'          # http代理
        elif request.url.startswith("https://"):
            request.meta['proxy']="https://"+'202.120.38.131:80'         #https代理

注意:要在setting中打开

items目标字段

管道