一、Scrapy 框架
Scrapy 是?纯 Python 实现?个为了爬取?站数据、提取结构性数据?编写的应?框架，?途?常?泛。
框架的?量，?户只需要定制开发?个模块就可以轻松的实现?个爬?，?来抓取??内容以及各种图?，?常之?便。
Scrapy 使?了 Twisted [‘tw?st?d] (其主要对?是 Tornado)异步?络框架来处理?络通讯，可以加快我们的下载速度，不???去实现异步框架，并且包含了各种中间件接?，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?定的?式进?整理排列，?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 ScrapyEngine(引 擎) ，由 引擎 交给 Spider 来处理。
- Spider（爬?） ：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? Scheduler(调度器)。
- Item Pipeline(管道) ：它负责处理 Spider 中获取到的 Item，并进?进?后期处理（详细分析、过滤、存储等）的地?。
- Downloader Middlewares（下载中间件） ：你可以当作是?个可以?定义扩展下载功能的组件。
- Spider Middlewares（Spider 中间件） ：你可以理解为是?个可以?定扩展和操作 引擎 和 Spider 中间 通信的功能组件（?如进? Spider 的Responses;和从 Spider 出去的 Requests）
二、Scrapy 的运作流程
代码写好，程序开始运?...
- 引擎 ：Hi！ Spider , 你要处理哪?个?站？
- Spider ：??要我处理 xxxx.com。
- 引擎 ：你把第?个需要处理的 URL 给我吧。
- Spider ：给你，第?个 URL 是 xxxxxxx.com。
- 引擎 ：Hi！ 调度器 ，我这有 request 请求你帮我排序?队?下。
- 调度器 ：好的，正在处理你等?下。
- 引擎 ：Hi！ 调度器 ，把你处理好的 request 请求给我。
- 调度器 ：给你，这是我处理好的 request
- 引擎 ：Hi！下载器，你按照??的 下载中间件 的设置帮我下载?下这个 request 请求
- 下载器 ：好的！给你，这是下载好的东?。（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?下，我们待会?再下载）
- 引擎 ：Hi！ Spider ，这是下载好的东?，并且已经按照??的 下载中 间 件 处理过了，你??处理?下（注意！这?responses 默认是交给 defparse() 这个函数处理的）
- Spider ：（处理完毕数据之后对于需要跟进的 URL），Hi！ 引擎 ， 我 这?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。
- 引擎 ：Hi ！ 管道 我这?有个 item 你帮我处理?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??需要全部信息。
- 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?，（也就是说，对于下载失败的 URL，Scrapy 也会重新下载。）
制作 Scrapy 爬? ?共需要 4 步：
- 新建项? (scrapy startproject xxx)：新建?个新的爬?项?
- 明确?标 （编写 items.py）：明确你想要抓取的?标 制作爬?
- （spiders/xxspider.py）：制作爬?开始爬取??
- 存储内容 （pipelines.py）：设计管道存储爬取内容
点击获取 爬虫视频教程和爬虫学习资料。
Scrapy 框架官??址：http://doc.scrapy.org/en/latest Scrapy 中?维护站
点：http://scrapychs.readthedocs.io/zh_CN/latest/index.html
Python爬虫教程之Scrapy 框架
原文：https://www.cnblogs.com/shsxt/p/13581014.html
