【爬虫】Scrapy爬虫框架，高效并发爬取

Scrapy爬虫框架是一个用Python实现的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。它基于Twisted的异步处理机制，可以实现高效的并发爬取。它的架构清晰，模块之间的耦合度低，可扩展性强，可以通过编写少量的代码就能快速构建一个爬虫项目。它的主要组件有：

• Scrapy Engine (引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
• Scheduler (调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
• Downloader（下载器） ：负责下载Scrapy Engine (引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine (引擎)，由引擎交给Spider来处理，
• Spider（爬虫） ：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler (调度器).
• Item Pipeline (管道) ：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。
• Downloader Middlewares（下载中间件） ：你可以当作是一个可以自定义扩展下载功能的组件。
• Spider Middlewares（Spider中间件） ：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）