学习scrapy框架的网上教材：https://lib-nuanxin.wqxuetang.com/read/pdf/3210751

1.scrapy 的基础概念：

　　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](其主要对手是Tornado)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。

二、整体架构 

• 引擎(Scrapy Engine)：用来处理整个系统的数据流处理，触发事务 。
• 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。  
• 下载器(Downloader)：用于下载网页内容，并将网页内容返回给Spiders。   
• 爬虫(Spiders)：爬虫是主要干活的，用它来制订特定域名或网页的解析规则。编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。每个spider负责处理一个特定(或一些)网站。   
• 项目管道(ItemPipeline)：负责处理有Spiders从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被Spiders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(DownloaderMiddlewares)：位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。     
• 蜘蛛中间件(SpiderMiddlewares)：介于Scrapy引擎和Spiders之间的钩子框架，主要工作是处理Spiders的响应输入和请求输出。  
• 调度中间件(SchedulerMiddlewares)：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。

爬取流程：上图绿线是数据流向，所有的操作都是围绕着ScrapyEngine进行操作的，也就是说

ScrapyEngine处理指挥着整个框架；

1. 引擎打开一个网站(open adomain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
2. 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
3. 引擎向调度器请求下一个要爬取的URL。
4. 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
5. 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。    
6. 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
7. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8. 引擎将(Spider返回的)爬取到的Item给ItemPipeline，将(Spider返回的)Request给调度器。
9. (从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。