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
- 引擎：hello, spider，你要处理哪一下网站？
- spider：老大要我处理xx.com
- 引擎：你把第一个需要处理的URL给我吧。
- spider：给你，这是第一个url xxooxx.com
- 引擎：hello,调度器，我这有个request 请求你帮我排列里下。
- 调度器：好的，正在帮你处理，请稍。
- 引擎：Hi，调度器，把你处理好的request 请求给我下。
- 调度器：给你，这是我处理好的request
- 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。
- 下载器：好的！在下载中......，好了，给你这是下载好的东西。
- 引擎：Hi，spider，这是下载好的东西。
- spider：好的，我按照老大给的模板整理好，出个“Item”表。
- spider：hello, 引擎，我这有新任务。。。。。。。。。。。。。。
五：大官话Scrapy运行流程
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来，并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体（Item）,则交给实体管道进行进一步的处理
- 解析出的是链接（URL）,则把URL交给调度器等待抓取
