Scrapy框架

Scrapy是一个为了爬取网站数据、提取结构化数据而编写的爬虫应用框架。Scrapy内部实现了包括并发请求、免登录、URL去重等很多复杂操作，可以再settings中通过配置完成很多反爬虫，若需要额外功能，Scrapy还提供了多种中间件。
Scrapy框架主要有五个模块以及中间件：
1.Scrapy Engine（Scrapy引擎）

• Scrapy Engine是用来控制整个爬虫系统的数据处理流程，并进行不同事物触发

2.Scheduler（调度器）

• Scheduler维护着待爬取的URL队列，当调度器从Scrapy Engine 接受到请求时，会从待爬取的URL队列中取出下一个URL返还给他们。

3.Downloader（下载器）

• Downloader从Scrapy Engine那里得到需要下载的URL，并向该网址发送
  网络请求进行页面网页，最后再将网页内容传递到Spiders来处理。如果需要定制更复杂的网络请求，可以通过Downloader中间件来实现，比如selenium浏览器完成免登录操作。

4.Spiders（蜘蛛）

• Spiders 是用户需要编辑代码的部分，用户通过编写spider.py这个类实现
  指定要爬取的网站地址、定义网址过滤规则、解析目标数据等。Spider发送请求，并处理Scrapy Engine从下载器那得到的数据，把解析的数据以item的形式传递给Item Pipeline，把解析到的链接传递给Scheduler。

5.ltem Pipeline（项目管道）

• ltem定义了爬虫要爬取的数据的数据的字段，类似于关系型数据库中表的字段名，用户编写item.py文件来实现这一功能。Pipeline主要负责处理Spider从网页中抽取的item，对item进行清洗、验证，并且将数据持久化，如将数据存入数据库或者文件。用户可以在这里连接数据库并进行保存。

6.Downloader middlewares（下载器中间件）

• Downloader middlewares是位于Scrapy Engine 和Downloader之间的钩子框架，主要是处理Scrapy Engine与Downloader之间的请求及响应。可以代替接受请求、处理数据的下载以及将结果响应给Scrapy Engine。

7.Spider middlewares（蜘蛛中间件）

• Spider middlewares是介于Scrapy Engine和Spiders之间的钩子框架，主要是处理Spiders的响应输入和请求输出。可以插入自定义的代码来处理发送给Spiders的请求和返回Spider获取的响应内容和项目。

Scrapy使用Twisted这个异步网络库来处理网络通讯，架构清晰，可以灵活的完成各种需求。架构图如下：

图中绿色线条表示数据流向，首先从初始 URL 开始，Scheduler 会将其交给 Downloader，Downloader向网络服务器发送服务请求进行下载，得到响应后将下载的数据交给Spider，Spider会对网页进行分析，分析出来的结果有两种：一种是需要进一步抓取的链接，这些链接会被传回 Scheduler；另一种是需要保存的数据，它们则被送到 Item Pipeline，Item会定义数据格式， 最后由Pipeline对数据进行清洗、去重等处理后存储到文件或数据库。
Scrapy数据流是由执行的核心引擎(engine)控制，流程是这样的：

1. 引擎打开一个域名，蜘蛛处理这个域名，并让蜘蛛获取第一个爬取的URL。
2. 引擎从蜘蛛那获取第一个需要爬取的URL，然后作为请求在调度中进行调度。
3. 引擎从调度那获取接下来进行爬取的页面。
4. 调度将下一个爬取的URL返回给引擎，引擎将他们通过下载中间件发送到下载器。
5. 当网页被下载器下载完成以后，响应内容通过下载中间件被发送到引擎。
6. 引擎收到下载器的响应并将它通过蜘蛛中间件发送到蜘蛛进行处理。
7. 蜘蛛处理响应并返回爬取到的item，然后给引擎发送新的请求。
8. 引擎发送处理后的item到项目管道，然后把处理结果返回给调度器，调度器计划处理下一个请求抓取。
9. 系统重复2-9的操作，直到调度中没有请求，然后断开引擎与域之间的联系。