1.结构图
1.1.组件结构
spider架构.png
1.2.项目结构
tutorial/
scrapy.cfg # 部署配置文件，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
tutorial/ # Python模块,代码写在这个目录下
__init__.py
items.py # 项目项定义文件，设置数据存储模板，用于结构化数据
pipelines.py # 项目管道文件，数据处理行为
settings.py # 项目设置文件，配置文件
spiders/ # 我们的爬虫，爬虫目录
__init__.py
2.组件说明
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。
3.运行流程
1.引擎从调度器中取出一个链接(URL)用于接下来的抓取
2.引擎把URL封装成一个请求(Request)传给下载器
3.下载器把资源下载下来，并封装成应答包(Response)
4.爬虫解析Response
5.解析出实体（Item）,则交给实体管道进行进一步的处理
6.解析出的是链接（URL）,则把URL交给调度器等待抓取
4.命令工具
4.1. startproject --创建项目
scrapy startproject <项目名>
4.2. crawl --运行爬虫
scrapy crawl <爬虫> --nolog
4.3.setting --输出项目设定的值
语法：scrapy settings [options]
例子：scrapy settings --get BOT_NAME
4.4.runspider --未创建项目情况下运行一个spider模块
语法：scrapy runspider <spider_file.py>
例子：scrapy settings xxspider.py
4.5.shell--用来启动Scrapy Shell
语法：scrapy shell <url>
例子：scrapy shell "http://www.baidu.com"
4.6.fetch--使用scrapy下载器下载给定的url，输出内容
语法：scrapy fetch options <url>
例子：scrapy fetch --nolog "http://www.baidu.com"
4.7.view--在浏览器中打开给定的url
语法：scrapy view <url>
例子：scrapy view "http://www.baidu.com"
4.8.version--输出scrapy版本
语法：scrapy version [-v]
例子：scrapy version [-v]
4.9.check--运行contract检查
scrapy check -l
4.10.list--输出当前项目中的所有spider
scrapy list
4.11.edit--设定编辑器编辑给定的spider
scrapy edit <爬虫名>
4.12. parse--获取给定的url并使用相应的spider分析结果
scrapy parse --spider=myspider -c parse_item -d 2 <item_url>
4.13. genspider--在当前项目中创建spider
scrapy genspider -l
5.几个收集的爬虫项目的传送门
http://www.cnblogs.com/jinxiao-pu/p/6706319.html
https://github.com/Jack-Cherish/python-spider
https://github.com/facert/awesome-spider
https://github.com/luyishisi/Anti-Anti-Spider
https://github.com/leng-yue/Lengyue-Vcode
网友评论