Scrapy是一个基于Twisted的异步处理框架，是纯Python实现的爬虫框架，其架构清晰，模块之间的耦合程度低，可扩展性极强，可以灵活完成各种需求。我们只需要定制开发几个模块就可以轻松实现一个爬虫。
1. 架构介绍
首先我们看看Scrapy框架的架构，如下图所示。
它可以分为如下的几个部分。
- Engine。引擎，处理整个系统的数据流处理、触发事务，是整个框架的核心。
- Item。项目，它定义了爬取结果的数据结构，爬取的数据会被赋值成该Item对象。
- Scheduler。调度器，接受引擎发过来的请求并将其加入队列中，在引擎再次请求的时候将请求提供给引擎。
- Downloader。下载器，下载网页内容，并将网页内容返回给蜘蛛。
- Spiders。蜘蛛，其内定义了爬取的逻辑和网页的解析规则，它主要负责解析响应并生成提取结果和新的请求。
- Item Pipeline。项目管道，负责处理由蜘蛛从网页中抽取的项目，它的主要任务是清洗、验证和存储数据。
- Downloader Middlewares。下载器中间件，位于引擎和下载器之间的钩子框架，主要处理引擎与下载器之间的请求及响应。
- Spider Middlewares。蜘蛛中间件，位于引擎和蜘蛛之间的钩子框架，主要处理蜘蛛输入的响应和输出的结果及新的请求。
2. 数据流
Scrapy中的数据流由引擎控制，数据流的过程如下。
- Engine首先打开一个网站，找到处理该网站的Spider，并向该Spider请求第一个要爬取的URL。
- Engine从Spider中获取到第一个要爬取的URL，并通过Scheduler以Request的形式调度。
- Engine向Scheduler请求下一个要爬取的URL。
- Scheduler返回下一个要爬取的URL给Engine，Engine将URL通过Downloader Middlewares转发给Downloader下载。
- 一旦页面下载完毕，Downloader生成该页面的Response，并将其通过Downloader Middlewares发送给Engine。
- Engine从下载器中接收到Response，并将其通过Spider Middlewares发送给Spider处理。
- Spider处理Response，并返回爬取到的Item及新的Request给Engine。
- Engine将Spider返回的Item给Item Pipeline，将新的Request给Scheduler。
- 重复第二步到最后一步，直到Scheduler中没有更多的Request，Engine关闭该网站，爬取结束。
通过多个组件的相互协作、不同组件完成工作的不同、组件对异步处理的支持，Scrapy最大限度地利用了网络带宽，大大提高了数据爬取和处理的效率。
3. 项目结构
Scrapy框架和pyspider不同，它是通过命令行来创建项目的，代码的编写还是需要IDE。项目创建之后，项目文件结构如下所示：
代码语言：javascript复制scrapy.cfg
project/
__init__.py
items.py
pipelines.py
settings.py
middlewares.py
spiders/
__init__.py
spider1.py
spider2.py
...这里各个文件的功能描述如下。
- scrapy.cfg：它是Scrapy项目的配置文件，其内定义了项目的配置文件路径、部署相关信息等内容。
- items.py：它定义Item数据结构，所有的Item的定义都可以放这里。
- pipelines.py：它定义Item Pipeline的实现，所有的Item Pipeline的实现都可以放这里。
- settings.py：它定义项目的全局配置。
- middlewares.py：它定义Spider Middlewares和Downloader Middlewares的实现。
- spiders：其内包含一个个Spider的实现，每个Spider都有一个文件。
4. 结语
本节介绍了Scrapy框架的基本架构、数据流过程以及项目结构。后面我们会详细了解Scrapy的用法，感受它的强大。
