爬蟲框架之——Scrapy
Scrapy簡介：
Scrapy是用純Python實現一個為了爬取網站資料、提取結構性資料而編寫的應用框架，用途非常廣泛。
框架的力量，使用者只需要定製開發幾個模組就可以輕鬆的實現一個爬蟲，用來抓取網頁內容以及各種圖片，非常之方便。
Scrapy 使用了 Twisted['twɪstɪd](其主要對手是Tornado)非同步網路框架來處理網路通訊，可以加快我們的下載速度，不用自己去實現非同步框架，並且包含了各種中介軟體介面，可以靈活的完成各種需求。
Scrapy架構圖(綠線是資料流向)：
Scrapy各部分的功用：
-
Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，訊號、資料傳遞等。 -
Scheduler(排程器): 它負責接受引擎傳送過來的Request請求，並按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。 -
Downloader（下載器）：負責下載Scrapy Engine(引擎)傳送的所有Requests請求，並將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理， -
Spider（爬蟲）：它負責處理所有Responses,從中分析提取資料，獲取Item欄位需要的資料，並將需要跟進的URL提交給引擎，再次進入Scheduler(排程器)， -
Item Pipeline(管道)：它負責處理Spider中獲取到的Item，並進行進行後期處理（詳細分析、過濾、儲存等）的地方. -
Downloader Middlewares（下載中介軟體）：你可以當作是一個可以自定義擴充套件下載功能的元件。 -
Spider Middlewares（Spider中介軟體）：你可以理解為是一個可以自定擴充套件和操作引擎和Spider中間通訊的功能元件（比如進入Spider的Responses;和從Spider出去的Requests）
生動形象的說明 Scrapy的運作流程:
程式碼寫好，程式開始執行...
-
引擎：Hi！Spider, 你要處理哪一個網站？ -
Spider：老大要我處理xxxx.com。 -
引擎：你把第一個需要處理的URL給我吧。 -
Spider：給你，第一個URL是xxxxxxx.com。 -
引擎：Hi！排程器，我這有request請求你幫我排序入隊一下。 -
排程器：好的，正在處理你等一下。 -
引擎：Hi！排程器，把你處理好的request請求給我。 -
排程器：給你，這是我處理好的request -
引擎：Hi！下載器，你按照老大的下載中介軟體的設定幫我下載一下這個request請求 -
下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然後引擎告訴排程器，這個request下載失敗了，你記錄一下，我們待會兒再下載） -
引擎：Hi！Spider，這是下載好的東西，並且已經按照老大的下載中介軟體處理過了，你自己處理一下（注意！這兒responses預設是交給def parse()這個函式處理的） -
Spider：（處理完畢資料之後對於需要跟進的URL），Hi！引擎，我這裡有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item資料。 -
引擎：Hi ！管道我這兒有個item你幫我處理一下！排程器！這是需要跟進URL你幫我處理下。然後從第四步開始迴圈，直到獲取完老大需要全部資訊。 -
管道``排程器：好的，現在就做！
製作Scrapy爬蟲主要分四步：
- 新建專案 (scrapy startproject xxx)：新建一個新的爬蟲專案
- 明確目標 （編寫items.py）：明確你想要抓取的目標
- 製作爬蟲 （spiders/xxspider.py）：製作爬蟲開始爬取網頁
- 儲存內容 （pipelines.py）：設計管道儲存爬取內容