網絡爬蟲，是在網上進行數據抓取的程序，使用它能夠抓取特定網頁的HTML數據。雖然我們利用一些庫開發一個爬蟲程序，但是使用框架可以大大提高效率，縮短開發時間。Scrapy是一個使用Python編寫的，輕量級的，簡單輕巧，并且使用起來非常的方便。使用Scrapy可以很方便的完成網上數據的采集工作，它為我們完成了大量的工作，而不需要自己費大力氣去開發。
首先先要回答一個問題。
問：把網站裝進爬蟲里，總共分幾步？
答案很簡單，四步：
新建項目 (Project)：新建一個新的爬蟲項目
明確目標（Items）：明確你想要抓取的目標
制作爬蟲（Spider）：制作爬蟲開始爬取網頁
存儲內容（Pipeline）：設計管道存儲爬取內容
好的，基本流程既然確定了，那接下來就一步一步的完成就可以了。
1.新建項目（Project）
在空目錄下按住Shift鍵右擊，選擇“在此處打開命令窗口”，輸入一下命令：
scrapy startproject tutorial
其中，tutorial為項目名稱。
可以看到將會創建一個tutorial文件夾，目錄結構如下：
tutorial/
scrapy.cfg
tutorial/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
...
下面來簡單介紹一下各個文件的作用：
scrapy.cfg：項目的配置文件
tutorial/：項目的Python模塊，將會從這里引用代碼
tutorial/items.py：項目的items文件
tutorial/pipelines.py：項目的pipelines文件
tutorial/settings.py：項目的設置文件
tutorial/spiders/：存儲爬蟲的目錄
2.明確目標（Item）
在Scrapy中，items是用來加載抓取內容的容器，有點像Python中的Dic，也就是字典，但是提供了一些額外的保護減少錯誤。
一般來說，item可以用scrapy.item.Item類來創建，并且用scrapy.item.Field對象來定義屬性（可以理解成類似于ORM的映射關系）。
接下來，我們開始來構建item模型（model）。
首先，我們想要的內容有：
名稱（name）
鏈接（url）
描述（description）
修改tutorial目錄下的items.py文件，在原本的class后面添加我們自己的class。
因為要抓dmoz.org網站的內容，所以我們可以將其命名為DmozItem：
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
from scrapy.item import Item, Field
class TutorialItem(Item):
# define the fields for your item here like:
# name = Field()
pass
class DmozItem(Item):
id="code66827">
from scrapy.spider import Spider
class DmozSpider(Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
filename = response.url.split("/")[-2]
open(filename, 'wb').write(response.body)
allow_domains是搜索的域名范圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁。
從parse函數可以看出，將鏈接的最后兩個地址取出作為文件名進行存儲。
然后運行一下看看，在tutorial目錄下按住shift右擊，在此處打開命令窗口，輸入：
scrapy crawl dmoz
運行結果如圖：
報錯了：
UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)
運行第一個Scrapy項目就報錯，真是命運多舛。
應該是出了編碼問題，谷歌了一下找到了解決方案：
在python的Libsite-packages文件夾下新建一個sitecustomize.py：
import sys
sys.setdefaultencoding('gb2312')
再次運行，OK，問題解決了，看一下結果：
最后一句INFO: Closing spider (finished)表明爬蟲已經成功運行并且自行關閉了。
包含 [dmoz]的行 ，那對應著我們的爬蟲運行的結果。
可以看到start_urls中定義的每個URL都有日志行。
還記得我們的start_urls嗎？
http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources
因為這些URL是起始頁面，所以他們沒有引用(referrers)，所以在它們的每行末尾你會看到 (referer: <None>)。
在parse 方法的作用下，兩個文件被創建：分別是 Books 和 Resources，這兩個文件中有URL的頁面內容。
那么在剛剛的電閃雷鳴之中到底發生了什么呢？
首先，Scrapy為爬蟲的 start_urls屬性中的每個URL創建了一個 scrapy.http.Request 對象 ，并將爬蟲的parse 方法指定為回調函數。
然后，這些 Request被調度并執行，之后通過parse()方法返回scrapy.http.Response對象，并反饋給爬蟲。
3.2取
爬取整個網頁完畢，接下來的就是的取過程了。
光存儲一整個網頁還是不夠用的。
在基礎的爬蟲里，這一步可以用正則表達式來抓。
在Scrapy里，使用一種叫做 XPath selectors的機制，它基于 XPath表達式。
如果你想了解更多selectors和其他機制你可以查閱資料：點我點我
這是一些XPath表達式的例子和他們的含義
/html/head/title: 選擇HTML文檔<head>元素下面的<title> 標簽。
/html/head/title/text(): 選擇前面提到的<title> 元素下面的文本內容
//td: 選擇所有 <td> 元素
//div[@class="mine"]: 選擇所有包含 class="mine" 屬性的div 標簽元素
以上只是幾個使用XPath的簡單例子，但是實際上XPath非常強大。
可以參照W3C教程：點我點我。
為了方便使用XPaths，Scrapy提供XPathSelector 類，有兩種可以選擇，HtmlXPathSelector(HTML數據解析)和XmlXPathSelector(XML數據解析)。
必須通過一個 Response 對象對他們進行實例化操作。
你會發現Selector對象展示了文檔的節點結構。因此，第一個實例化的selector必與根節點或者是整個目錄有關 。
在Scrapy里面，Selectors 有四種基礎的方法（點擊查看API文檔）：
xpath()：返回一系列的selectors，每一個select表示一個xpath參數表達式選擇的節點
css()：返回一系列的selectors，每一個select表示一個css參數表達式選擇的節點
extract()：返回一個unicode字符串，為選中的數據
re()：返回一串一個unicode字符串，為使用正則表達式抓取出來的內容
3.3xpath實驗
下面我們在Shell里面嘗試一下Selector的用法。
實驗的網址：http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
熟悉完了實驗的小白鼠，接下來就是用Shell爬取網頁了。
進入到項目的頂層目錄，也就是第一層tutorial文件夾下，在cmd中輸入：
scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
回車后可以看到如下的內容：
在Shell載入后，你將獲得response回應，存儲在本地變量 response中。
所以如果你輸入response.body，你將會看到response的body部分，也就是抓取到的頁面內容：
或者輸入response.headers 來查看它的 header部分：
現在就像是一大堆沙子握在手里，里面藏著我們想要的金子，所以下一步，就是用篩子搖兩下，把雜質出去，選出關鍵的內容。
selector就是這樣一個篩子。
在舊的版本中，Shell實例化兩種selectors，一個是解析HTML的 hxs 變量，一個是解析XML 的 xxs 變量。
而現在的Shell為我們準備好的selector對象，sel，可以根據返回的數據類型自動選擇最佳的解析方案(XML or HTML)。
然后我們來搗弄一下！~
要徹底搞清楚這個問題，首先先要知道，抓到的頁面到底是個什么樣子。
比如，我們要抓取網頁的標題，也就是<title>這個標簽：
可以輸入：
sel.xpath('//title')
結果就是：
這樣就能把這個標簽取出來了，用extract()和text()還可以進一步做處理。
備注：簡單的羅列一下有用的xpath路徑表達式：
表達式 描述
nodename 選取此節點的所有子節點。
/ 從根節點選取。
// 從匹配選擇的當前節點選擇文檔中的節點，而不考慮它們的位置。
. 選取當前節點。
.. 選取當前節點的父節點。
@ 選取屬性。
全部的實驗結果如下，In[i]表示第i次實驗的輸入，Out[i]表示第i次結果的輸出（建議大家參照：W3C教程）：
In [1]: sel.xpath('//title')
Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]
In [2]: sel.xpath('//title').extract()
Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']
In [3]: sel.xpath('//title/text()')
Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]
In [4]: sel.xpath('//title/text()').extract()
Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']
In [5]: sel.xpath('//title/text()').re('(w+):')
Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']
當然title這個標簽對我們來說沒有太多的價值，下面我們就來真正抓取一些有意義的東西。
使用火狐的審查元素我們可以清楚地看到，我們需要的東西如下：
我們可以用如下代碼來抓取這個<li>標簽：
sel.xpath('//ul/li')
從<li>標簽中，可以這樣獲取網站的描述：
sel.xpath('//ul/li/text()').extract()
可以這樣獲取網站的標題：
sel.xpath('//ul/li/a/text()').extract()
可以這樣獲取網站的超鏈接：
sel.xpath('//ul/li/a/@href').extract()
當然，前面的這些例子是直接獲取屬性的方法。
我們注意到xpath返回了一個對象列表，
那么我們也可以直接調用這個列表中對象的屬性挖掘更深的節點
（參考：Nesting selectors andWorking with relative XPaths in the Selectors）：
sites = sel.xpath('//ul/li')
for site in sites:
id="code87785">
from scrapy.spider import Spider
from scrapy.selector import Selector
class DmozSpider(Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
sel = Selector(response)
sites = sel.xpath('//ul/li')
for site in sites:
id="code11947">
scrapy crawl dmoz
