Scrapy（一）：Python的爬虫框架

查看原文会有更大的收获

原文地址：https://segmentfault.com/a/1190000007073049

作者博客：http://blog.bomobox.org/

网络爬虫，是在网上进行数据抓取的程序，使用它能够抓取特定网页的HTML数据。虽然我们利用一些库开发一个爬虫程序，但是使用框架可以大大提高效率，缩短开发时间。Scrapy是一个使用Python编写的，轻量级的，简单轻巧，并且使用起来非常的方便。

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（注：图片来自互联网）：

Scrapy主要包括了以下组件：

1. 引擎，用来处理整个系统的数据流处理，触发事务。
2. 调度器，用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。
3. 下载器，用于下载网页内容，并将网页内容返回给蜘蛛。
4. 蜘蛛，蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。
5. 项目管道，负责处理有蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
6. 下载器中间件，位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
7. 蜘蛛中间件，介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。
8. 调度中间件，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。

使用Scrapy可以很方便的完成网上数据的采集工作，它为我们完成了大量的工作，而不需要自己费大力气去开发。

官方网站：http://scrapy.org/
开源地址：https://github.com/scrapy/scrapy