scrapy框架总结

异步： 在调用发出后，可以直接返回，不管哟偶没有结果。

非阻塞：是指程序在等待调用结果时的状态，指在不能立刻得到结果之前，该调用不会阻塞当前线程

流程：1.首先Spiders（爬虫）将需要发送请求的url(requests)经ScrapyEngine（引擎）交给Scheduler（调度器）。

2.Scheduler（排序，入队）处理后，经ScrapyEngine，DownloaderMiddlewares(可选，主要有User_Agent, Proxy代理)交给Downloader。

3.Downloader向互联网发送请求，并接收下载响应（response）。将响应（response）经ScrapyEngine，SpiderMiddlewares(可选)交给Spiders。

4.Spiders处理response，提取数据并将数据经ScrapyEngine交给ItemPipeline保存（可以是本地，可以是数据库）。

5.提取url重新经ScrapyEngine交给Scheduler进行下一个循环。直到没有Url请求程序停止结束。

文件作用：

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）：可以自定义扩展下载功能的组件（代理、cokies等）。

Spider Middlewares（Spider中间件）：可以自定扩展和操作引擎和Spider中间通信的功能组件

scrapy框架的使用:

    1:先创建目录：scrapy  startproject 爬虫名称

     2:创建爬虫文件: scrapy genspider 爬虫名字 域名

    3 运行  scrapy crawl 爬虫文件名称

     response.url得到请求的url

    response.text得到响应的字符串内容

    response.status得到响应状态码

    response.headers得到响应头部

在scrapy框架里可以直接使用xpath 和 css 

response.xpath()：里面写xpath路径 得到的都是selector对象 需要通过extract()提取

response.css(): 里面写选择器， 选择器：：text获取属性 ， ：：attr(属性) 得到的也都是selector对象,也需要extract去提取