python之scrapy

Scrapy 框架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，种图片，非常之方便。

Scrapy 使用了 Twisted['tw st d](其主要对手是Tornado)异步网络框架我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口求。Scrapy架构图(绿线是数据流向)：Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Sche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RequResponses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I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Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩间通信的功能组件（比如进入Spider的Responses;和从Spider出去的RequScrapy的运作流代码写好，程序开始运行...

1. 引擎：Hi！Spider, 你要处理哪一个网站？

2. Spider：老大要我处理xxxx.com。

3. 引擎：你把第一个需要处理的URL给我吧。

4. Spider：给你，第一个URL是xxxxxxx.com。

5. 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

6. 调度器：好的，正在处理你等一下。

7. 引擎：Hi！调度器，把你处理好的request请求给我。

8. 调度器：给你，这是我处理好的request

9. 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

10. 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下

11. 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一下（注意！这儿responses默认是交给def parse()这个函数处理的）

12. Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这要跟进的URL，还有这个是我获取到的Item数据。

13. 引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要后从第四步开始循环，直到获取完老大需要全部信息。

14. 管道``调度器：好的，现在就做！注注意意！！只只有有当当调调度度器器中中不不存存在在任任何何rreeqquueesstt了了，，整整个个程程序序才才会会停停止止，，（（也也就就UURRLL，，SSccrraappyy也也会会重重新新下下载载。。））制作 Scrapy 爬虫 一共需要4步：新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目明确目标 （编写items.py）：明确你想要抓取的目标制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页存储内容 （pipelines.py）：设计管道存储爬取