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。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
Scrapy 使用了 Twisted 异步网络库来处理网络通讯。
Scrapy 主要包括了以下组件:
-
引擎(Scrapy): 用来处理整个系统的数据流处理, 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, 并在引擎再次请求的时候返回. 可以想像成一个 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蜘蛛(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、清除不需要的信息。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。
-
下载器中间件(Downloader Middlewares): 位于 Scrapy 引擎和下载器之间的框架，主要是处理 Scrapy 引擎与下载器之间的请求及响应。
-
爬虫中间件(Spider Middlewares): 介于 Scrapy 引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
-
调度中间件(Scheduler Middewares): 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。
Scrapy 运行流程大概如下:
-
引擎从调度器中取出一个链接(URL)用于接下来的抓取
-
引擎把 URL 封装成一个请求(Request)传给下载器，下载器把资源下载下来，并封装成应答包(Response)
-
然后，爬虫解析 Response 若是解析出实体(Item）,则交给实体管道进行进一步的处理。
-
若是解析出的是链接(URL）,则把 URL 交给 Scheduler 等待抓取
