爬虫基础专栏：http://t.csdnimg.cn/r9gt9
前言
如果你没有爬虫基础，相信我，不要进行下去，没什么意义，你会撞的头破血流，最后破灭你那本就不多的兴趣选择放弃！！！
OK，有基础的小伙伴，让我们进入正题，
在前面我们学习了 pyspider 框架的用法，我们可以利用它快速完成爬虫的编写。不过 pyspider 框架也有一些缺点，比如可配置化程度不高，异常处理能力有限等，它对于一些反爬程度非常强的网站的爬取显得力不从心。所以本章我们再介绍一个爬虫框架 Scrapy。
Scrapy 功能非常强大，爬取效率高，相关扩展组件多，可配置和可扩展程度非常高，它几乎可以应对所有反爬网站，是目前 Python 中使用最广泛的爬虫框架。
介绍
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
首先我们来看下 Scrapy 框架的架构：
它可以分为如下的几个部分。
-
Engine，引擎，用来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对象。
-
Scheduler， 调度器，用来接受引擎发过来的请求并加入队列中，并在引擎再次请求的时候提供给引擎。
-
Downloader，下载器，用于下载网页内容，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，主要是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，主要工作是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，其过程如下:
-
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 生成一个该页面的 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：
scrapy.cfg project/__init__.pyitems.pypipelines.pysettings.pymiddlewares.pyspiders/__init__.pyspider1.pyspider2.py...
在此要将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。
