## scrapy - scrapy是python开发的一个快速，高层次的web抓取框架 - 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**引擎**发送的所有Requests请求，并将其获取到的Responses交还给**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）：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）：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运作流程 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！ **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。）**