Scrapy 框架介绍

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。

Scrapy 架构图(绿线是数据流向)：

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 框架组件的执行流程：
1、首先Spider（爬虫）将需要发送请求的url（requests）经引擎交给Scheduler（调度器）
2、Scheduler调度器（排序，入队）处理后，经引擎，下载中间件（可选）交给Downloader（下载器）
3、Downloader（下载器）向互联网发送请求，并接收下载响应（Response），将响应经Scrapy Engine（引擎），Spider中间件（可选）交给Spiders。
4、Spiders处理Response，提取数据并将数据经引擎交给Item Pipeline(管道)保存，提取url重新经引擎交给调度器，进行下一个，循环，直到无url请求，程序停止结束。

制作 Scrapy 爬虫 一共需要 4 步：
1、新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
2、明确目标 （编写 items.py）：明确你想要抓取的目标
3、制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
4、存储内容 （pipelines.py）：设计管道存储爬取内容