一、Scrapy简介

• 概述
  Scrapy是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。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

  其最初是为了 页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

  Scrapy 使用了 Twisted'twɪstɪd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。

• 官方文档

// 中文文档  版本较低（未完成,只更新了intro部分,请谨慎参考）
- Scrapy 1.0版本中文文档
https://scrapy-chs.readthedocs.io/zh_CN/1.0/

- Scrapy 0.25 中文文档
https://scrapy-chs.readthedocs.io/zh_CN/latest/

// 英文文档  需要翻墙
http://doc.scrapy.org/en/latest

二、Scrapy流程

• 流程图

  
  
  Scrapy流程图

• Scrapy组件

  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）

• 帮助刚入门者的理解的运行流程

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request请求

10 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）

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）

12 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。

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。

14 管道``调度器：好的，现在就做！

• 运行流程

  1、Spider爬虫部分发送请求，通过SpiderMiddleware中间层处理后发送给ENGINE引擎模块

  2、引擎模块将请求发送给SCHEDULER模块进行调度

  3、SCHEDULER模块将可以执行的请求调度给引擎模块

  4、引擎模块将请求发送给DOWNLOADER下载模块进行下载，期间会经过DownloadMiddleware中间件进行处理

  5、下载模块将爬取好的网页响应经过DownloaderMiddleware中间间处理后传递给引擎模块

  6、引擎模块将响应传递给Spider爬虫模块进行解析

  7、在爬虫模块我们自定义解析方式对响应解析完成后生成Item对象或者新的Request对象，经过SpidderMiddleware发送给引擎模块

  8、如果是Item对象传递给item和pipeline来进行对应的处理；如果是Request对象则继续调度下载，重复之前的步骤。

注意！只有当调度器中不存在任何request了，整个程序才会停止（对于下载失败的URL，Scrapy也会重新下载）