导读：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。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
作者 / 来源：无量测试之道
01 Scrapy工作流程是怎么样的
下图是从网络上找的一张Scrapy的工作流程图，并且标注了相应的中文说明信息：
02 Scrapy框架的六大组件
它们分别是：
- 调度器(Scheduler)
- 下载器(Downloader)
- 爬虫（Spider）
- 中间件（Middleware）
- 实体管道(Item Pipeline)
- Scrapy引擎(Scrapy Engine)
03 工作流程如下
Step1. 当爬虫（Spider）要爬取某URL地址的页面时，使用该URL初始化Request对象提交给引擎（Scrapy Engine），并设置回调函数，Spider中初始的Request是通过调用start_requests() 来获取的。start_requests() 读取start_urls 中的URL，并以parse为回调函数生成Request 。
备注：你所创建的项目名.py 文件里面有一个列表：start_urls=[‘http://lab.scrapyd.cn/page/1/‘] （这是我的示例），这里的start_requests() 读取的start_urls 就是来自于这里，这个文件在大家创建爬虫项目时会自动新建。parse()这个回调函数也是自动创建的。只是简单的定义了一下，如下所示：
代码语言：javascript复制def parse(self, response):
pass
Step2. Request对象进入调度器(Scheduler) 按某种算法进行排队，之后的每个时刻调度器将其出列，送往下载器。
备注：Scheduler的作用就是对请求的调度，包括过滤，请求的入队和出队操作。
Step3. 下载器（Downloader）根据Request对象中的URL地址发送一次HTTP请求到网络服务器把资源下载下来，并封装成应答包(Response)。
备注：相当于就是将获取的页面资源数据信息转化为Response实例，以便传递给Spider 的Parse() 函数继续处理。
Step4. 应答包Response对象最终会被递送给爬虫（Spider）的页面解析函数进行处理。
备注：这个页面解析函数就是步骤一里面提到的parse() 函数，它是创建项目时自动生成的。
Step5. 若是解析出实体（Item），则交给实体管道（Item Pipeline）进行进一步的处理。
由Spider返回的Item将被存到数据库(由某些Item Pipeline处理)或使用Feed exports存入到文件中。
备注：实体（Item) 实际上就是指我们要获取的数据
Step6. 若是解析出的是链接（URL）,则把URL交给调度器(Scheduler)等待抓取。
备注：这里有一种循环调用的感觉，解析的item如果是url就重复整个工作流程。
04 如何安装与简单使用
1. 安装就很简单了，一条命令搞定
代码语言：javascript复制python3 -m pip install scrapy #这个可能需要花掉一段时间，如果你的网络快可能就比较快，如果你出现超时导致没有安装成功可以继续执行这个命令检验是否安装成功：进入python3 的命令行，输入import scrapy 如果没有报错就表示安装成功了。
2. 简单使用说明
Step1. 开始创建一个Scrapy 项目，我这里以爬取lab为示例
代码语言：javascript复制scrapy startproject lab #创建新的Scrapy项目，注意一下，如果此命令没有你就需要配置一下Scrapy 的环境变量
cd lab #进入创建的项目目录
scrapy genspider labs http://lab.scrapyd.cn/page/1/ # 生成spider 代码Step2. 定义提取的Item
代码语言：javascript复制class LabItem(scrapy.Item):
title = scrapy.Field()
author = scrapy.Field()Step3. 编写解析Parse函数
代码语言：javascript复制def parse(self, response):
items=LabItem() #实例化一个数据对象，用于返回
for sel in response.xpath('//div[@class="col-mb-12 col-8"]'):
print(sel)
for i in range(len(sel.xpath('//div[@class="quote post"]//span[@class="text"]/text()'))):
title = sel.xpath('//div[@class="quote post"]//span[@class="text"]/text()')[i].get()
author = sel.xpath('//div[@class="quote post"]//small[@class="author"]/text()')[i].get()
items["title"]=title
items["author"] = author
yield items #返回提出来的每一个数据对象Step4. 编写Pipeline 来提取Item数据
代码语言：javascript复制from itemadapter import ItemAdapter
import json
class FilePipeline(object):
def open_spider(self, spider):
print("当爬虫执行开始的时候回调:open_spider")
def __init__(self):
print("创建爬虫数据存储文件")
self.file = open('test.json',"w", encoding="utf-8")
def process_item(self, item, spider):
print("开始处理每一条提取出来的数据")
content = json.dumps(dict(item),ensure_ascii=False) "n"
self.file.write(content)
return item
def close_spider(self, spider):
print("当爬虫执行结束的时候回调:close_spider")
self.file.close()
这里是自定义的一个pipeline,所以还需要在setting.py 文件里面把它配置上，如下：
ITEM_PIPELINES = {
'lab.pipelines.FilePipeline': 300,
}
最终提取到文件的结果如下图所示：
总结
今天的分享主要是从整体上讲了一下Scrapy 的工作流程，算是一个入门的学习，如果把这个流程中的一些概念性的内容能够掌握好理解到位，那么接下来的学习会更容易一些，同时基于理解的学习会更深刻。
