1. 什么是Scrapy架构
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，我们只需要实现少量代码，就能够快
速的抓取到数据内容。Scrapy 使用了 Twisted['twɪstɪd]异步网络框架来处理网络通讯，可以加
快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。
2. Scrapy架构组件
引擎（Scrapy）：用来处理整个系统的数据流，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，并在引擎再次请求时返回。可以
想象成一个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爬虫（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、清理不需要的信息。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。
3. Scrapy架构流程
4. 使用Scrapy架构爬取网页信息
4.1 安装scrapy：
pip install scrapy
4.2 新建scrapy项目：
scrapy startproject 项目名称
4.3 进入项目目录
4.4 新建爬虫：
scrapy genspider 爬虫名称 "要爬取的域名"
4.5 items.py中设置所要爬取的信息：
Item对象是一个简单容器， 保存爬取到的数据, 类似于字典的操作;
爬取信息名称=scrapy.Field()
4.6 pipelines.py中存储爬取的信息：
"""将爬取的信息保存为Json格式"""
def __init__(self):
self.f = open(MOOCFilename, 'w')
def process_item(self, item, spider):
# 默认传过来的item是json格式
import json
# 读取item中的数据， 并转成json格式;
line = json.dumps(dict(item), ensure_ascii=False, indent=4)
self.f.write(line + '\n')
# 一定要加， 返回给调度为器；
return item
def open_spider(self, spider):
"""开启爬虫时执行的函数"""
pass
def close_spider(self, spider):
"""当爬虫全部爬取结束的时候执行的函数"""
self.f.close()
4.7 在爬虫文件中写入爬虫：
1). 实例化对象， CourseItem
course = CourseItem()
2). 分析响应的内容
4.8 取消管道设置注释：
ITEM_PIPELINES = {
# 管道的位置: 优先级， 0～1000, 数字越小， 优先级越高;
'mySpider.pipelines.MyspiderPipeline': 300,
}
4.8 运行爬虫：
scrapy crawl 爬虫名称