scrapy框架的概念和流程

1.scrapy框架的概念：

文档地址：http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html
Scrapy 使用了Twisted['twɪstɪd]异步网络框架，可以加快我们的下载速度。
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的代码，就能够快速的抓取。

2.异步和非阻塞的区别

1. 异步：调用在发出之后，这个调用就直接返回，不管有无结果；异步是过程。
2. 非阻塞：关注的是程序在等待调用结果（消息，返回值）时的状态，指在不能立刻得到结果之前，该调用不会阻塞当前线程。

3.scrapy的工作流程

3.1 爬虫流程

3.2 上面的流程可以改写为

3.3 scrapy的流程

其流程可以描述如下：

1. 调度器把requests–>引擎–>下载中间件—>下载器
2. 下载器发送请求，获取响应---->下载中间件---->引擎—>爬虫中间件—>爬虫
3. 爬虫提取url地址，组装成request对象---->爬虫中间件—>引擎—>调度器
4. 爬虫提取数据—>引擎—>管道
5. 管道进行数据的处理和保存

注意：

1. 图中绿色线条的表示数据的传递
2. 注意图中中间件的位置，决定了其作用
3. 注意其中引擎的位置，所有的模块之前相互独立，只和引擎进行交互

3.4 scrapy中每个模块的具体作用

scrapy中每个模块的作用：

1. 引擎(engine)：负责数据和信号在不腰痛模块间的传递
2. 调度器(scheduler)：实现一个队列，存放引擎发过来的request请求对象
3. 下载器(downloader)：发送引擎发过来的request请求，获取响应，并将响应交给引擎
4. 爬虫(spider)：处理引擎发过来的response，提取数据，提取url，并交给引擎
5. 管道(pipeline)：处理引擎传递过来的数据，比如存储 下载中间件(downloader middleware)：可以自定义的下载扩展，比如设置代理ip 爬虫中间件(spider middleware)：可以自定义request请求和进行response过滤