原理：Scrapy架构分析

1. 组件(Component)

Scrapy一共有七个主要组件

No.	组件	功能	说明
1	爬虫引擎(Scrapy Engine)	负责控制数据流在系统中所有组件中流动	相当于发动机
2	调度器(Scheduler)	从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎	相当于request管家
3	下载器(Downloader)	负责获取页面数据并提供给引擎，而后提供给spider。
4	爬虫(Spiders)	分析response并提取item，或者发出新的请求。
5	项目管道(Item Pipelines)	负责处理被spider提取出来的item，保存处理数据
6	爬虫中间件(Spider middlewares)	引擎及Spider之间的特定钩子，处理spider的输入(response)和输出(items及requests)
7	下载中间件(Downloader middlewares)	引擎及下载器之间的特定钩子，处理Downloader传递给引擎的response。

2. 数据流(Data flow)

Scrapy中的数据流由执行引擎控制，其过程如下:

1. 引擎打开一个网站(open a domain)，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Item Pipeline，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。

3. 中间件

No.	中间件	输入	输出
1	爬虫中间件(Spider Middleware)	process_spider_input()	process_spider_output()
2	下载器中间件(Download Middleware)	process_request()	process_response()