大白话Scrapy爬虫

这两年爬虫技术应用比较火，最近在学习Scrapy，学习中写了一些笔记，分享给大家。写的不好多多包涵。

一、Scrapy蜘蛛框架

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。其可以应用在数据挖掘，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用途广泛，可以用于数据挖掘、监测和自动化测试。

二：Scrapy框架

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

三：Scrapy框架组件介绍

Scrapy主要包括了以下组件：

• 引擎(Scrapy) 用来处理整个系统的数据流, 触发事务(框架核心)。它主要负责Spiders、Scheduler、Downloader、ItemPipeline组件之间的通信、信号、数据传输等。
• 调度器(Scheduler) 用来接受引擎Scrapy发过来的请求, 并按照一定的排列方式把请求压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址。
• 下载器(Downloader) 用于下载网页内容, 并将网页内容返回给爬虫(Scrapy下载器是建立在twisted这个高效的异步模型上的)。它其实就是获取引擎发送过来的request 请求，按照队列给的URL获取对应的URL的数据形成responses 数据返回给引擎，再于引擎返给Scrapy爬虫来处理。
• 爬虫(Spiders) 爬虫是主要干活的, 用于从特定的网页中提取需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面。它主要是从responses分离、提取数据，获取到所需要item实体数据。
• 项目管道(ItemPipeline) 负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
• 下载器中间件(Downloader Middlewares) 位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares) 介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares) 介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

四：大白话Scrapy运行流程

1. 引擎：hello, spider，你要处理哪一下网站？
2. spider：老大要我处理xx.com
3. 引擎：你把第一个需要处理的URL给我吧。
4. spider：给你，这是第一个url xxooxx.com
5. 引擎：hello,调度器，我这有个request 请求你帮我排列里下。
6. 调度器：好的，正在帮你处理，请稍。
7. 引擎：Hi，调度器，把你处理好的request 请求给我下。
8. 调度器：给你，这是我处理好的request
9. 引擎：Hi，下载器材，你按照老大给的“下载中间件”的模板，下载这个request请求的数据。
10. 下载器：好的！在下载中......，好了，给你这是下载好的东西。
11. 引擎：Hi，spider，这是下载好的东西。
12. spider：好的，我按照老大给的模板整理好，出个“Item”表。
13. spider：hello, 引擎，我这有新任务。。。。。。。。。。。。。。

五：大官话Scrapy运行流程

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取