scrapy框架梳理

scrapy框架，用来数据挖掘，信息处理，存储历史数据、监测和自动化测试等操作。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。

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处理, 触发事务(框架核心)
• 调度器(Scheduler)
  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. 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蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
• 爬虫(Spiders)
  爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 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
• 项目管道(Pipeline)
  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。

Scrapy运行流程大概如下：

1. 引擎从调度器中，取出一个链接(URL，起始url)，用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源从internet中下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

自我总结其工作过程架构如下：

1，引擎从spiders中，拿到起始url，放到调度器中（scheduler）。

2，downloader从调度器中，拿到url，去internet中下载。

3，下载好的内容，执行回调函数，内容回到spiders。

4，2个方向，只能选其一。a，筛选-item pipeline 持久化；b，再通过scrapy engine，放到调度器中。

功能：

    - 应用twisted ，下载页面

    - html解析对象

    - 代理

    - 延迟下载

    - 去重

    -深度，广度优先

    -设置自定制操作

设计：

    - 起始url

    - 下载页面：持久化，继续下载

    -调度器