Scrapy，Python開發的一個web抓取框架。
1，引言
Python即時網絡爬蟲啟動的目標是一起把互聯網變成大數據庫。單純的開放源代碼並不是開源的全部，開源的核心是“開放的思想”，聚合最好的想法、技術、人員，所以將會參照眾多領先產品，比如，Scrapy，ScrapingHub，Import.io等。
本文簡單講解一下Scrapy的架構。沒錯，通用提取器gsExtractor就是要集成到Scrapy架構中。
請注意，本文不想復述原文內容，而是為了開源Python爬蟲的發展方向找參照，而且以9年來開發網絡爬蟲經驗作為對標，從而本文含有不少筆者主觀評述，如果想讀Scrapy官方原文，請點擊Scrapy官網的Architecture。
2，Scrapy架構圖
Spiders就是針對特定目標網站編寫的內容提取器，這是在通用網絡爬蟲框架中最需要定制的部分。使用Scrapy創建一個爬蟲工程的時候，就會生成一個Spider架子，只需往里面填寫代碼，按照它的運行模式填寫，就能融入Scrapy整體的數據流中。GooSeeker開源網絡爬蟲的目標是節省下程序員一半以上的時間，關鍵就是提高Spider的定義和測試速度，解決方案參看《1分鍾快速生成網頁內容提取器》，讓整個Scrapy爬蟲系統實現快速定制的目標。
3，Scrapy的數據流（Data Flow）
Scrapy中的數據流由執行引擎控制，下面的原文摘自Scrapy官網，我根據猜測做了點評，為進一步開發GooSeeker開源爬蟲指示方向：
The Engine gets the first URLs to crawl from the Spider and schedules them in the Scheduler, as Requests.
URL誰來准備呢？看樣子是Spider自己來准備，那么可以猜測Scrapy架構部分（不包括Spider）主要做事件調度，不管網址的存儲。看起來類似GooSeeker會員中心的爬蟲羅盤，為目標網站准備一批網址，放在羅盤中准備執行爬蟲調度操作。所以，這個開源項目的下一個目標是把URL的管理放在一個集中的調度庫里面
The Engine asks the Scheduler for the next URLs to crawl.
看到這里其實挺難理解的，要看一些其他文檔才能理解透。接第1點，引擎從Spider中把網址拿到以后，封裝成一個Request，交給了事件循環，會被Scheduler收來做調度管理的，暫且理解成對Request做排隊。引擎現在就找Scheduler要接下來要下載的網頁地址
The Scheduler returns the next URLs to crawl to the Engine and the Engine sends them to the Downloader, passing through the Downloader Middleware (request direction).
從調度器申請任務，把申請到的任務交給下載器，在下載器和引擎之間有個下載器中間件，這是作為一個開發框架的必備亮點，開發者可以在這里進行一些定制化擴展
Once the page finishes downloading the Downloader generates a Response (with that page) and sends it to the Engine, passing through the Downloader Middleware (response direction).
下載完成了，產生一個Response，通過下載器中間件交給引擎。注意，Response和前面的Request的首字母都是大寫，雖然我還沒有看其它Scrapy文檔，但是我猜測這是Scrapy框架內部的事件對象，也可以推測出是一個異步的事件驅動的引擎，對於高性能、低開銷引擎來說，這是必須的
The Engine receives the Response from the Downloader and sends it to the Spider for processing, passing through the Spider Middleware (input direction).
再次出現一個中間件，給開發者足夠的發揮空間
The Spider processes the Response and returns scraped items and new Requests (to follow) to the Engine.
每個Spider順序抓取一個個網頁，完成一個就構造另一個Request事件，開始另一個網頁的抓取
The Engine passes scraped items and new Requests returned by a spider through Spider Middleware (output direction), and then sends processed items to Item Pipelines and processed Requests to the Scheduler.
引擎作事件分發
The process repeats (from step 1) until there are no more requests from the Scheduler.
持續不斷地運行
4，接下來的工作
接下來，我們將進一步研讀Scrapy的文檔，實現Python即時網絡爬蟲與Scrapy的集成。
5，文檔修改歷史
2016-06-12：V1.0，首次發布