（建議大家多看看官網教程：教程地址）
我們使用dmoz.org這個網站來作為小抓抓一展身手的對象。
首先先要回答一個問題。
問：把網站裝進爬蟲裡，總共分幾步。
答案很簡單，四步： 建立項目 (Project)：建立一個新的爬蟲項目 明確目標（Items）：明確你想要抓取的目標 製作爬蟲（Spider）：製作爬蟲開始爬取網頁 儲存內容（Pipeline）：設計管道儲存爬取內容
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.建立項目（Project）
在空目錄下按住Shift鍵右擊，選擇“在此處開啟命令視窗”，輸入一下命令：
scrapy startproject tutorial
可以看到將會建立一個tutorial檔案夾，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檔案的作用： scrapy.cfg：項目的設定檔
tutorial/：項目的Python模組，將會從這裡引用代碼 tutorial/items.py：項目的items檔案 tutorial/pipelines.py：項目的pipelines檔案 tutorial/settings.py：項目的設定檔案 tutorial/spiders/：儲存爬蟲的目錄
2.明確目標（Item）
在Scrapy中，items是用來載入抓取內容的容器，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類來建立，並且用scrapy.item.Field對象來定義屬性（可以理解成類似於ORM的映射關係）。
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） 連結（url） 描述（description）
修改tutorial目錄下的items.py檔案，在原本的class後面添加我們自己的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.htmlfrom scrapy.item import Item, Fieldclass TutorialItem(Item): # define the fields for your item here like: # name = Field() passclass DmozItem(Item): title = Field() link = Field() desc = Field()
剛開始看起來可能會有些看不懂，但是定義這些item能讓你用其他組件的時候知道你的 items到底是什麼。
可以把Item簡單的理解成封裝好的類對象。
3.製作爬蟲（Spider）
製作爬蟲，總體分兩步：先爬再取。
也就是說，首先你要擷取整個網頁的所有內容，然後再取出其中對你有用的部分。
3.1爬
Spider是使用者自己編寫的類，用來從一個域（或域組）中抓取資訊。
他們定義了用於下載的URL列表、跟蹤連結的方案、解析網頁內容的方式，以此來提取items。
要建立一個Spider，你必須用scrapy.spider.BaseSpider建立一個子類，並確定三個強制的屬性： name：爬蟲的識別名稱，必須是唯一的，在不同的爬蟲中你必須定義不同的名字。 start_urls：爬取的URL列表。爬蟲從這裡開始抓取資料，所以，第一次下載的資料將會從這些urls開始。其他子URL將會從這些起始URL中繼承性產生。 parse()：解析的方法，調用的時候傳入從每一個URL傳回的Response對象作為唯一參數，負責解析並匹配抓取的資料(解析為item)，跟蹤更多的URL。
這裡可以參考寬度爬蟲教程中提及的思想來協助理解，教程傳送：[Java] 知乎下巴第5集：使用HttpClient工具包和寬度爬蟲。
也就是把Url儲存下來並依此為起點逐步擴散開去，抓取所有合格網頁Url儲存起來繼續爬取。
下面我們來寫第一隻爬蟲，命名為dmoz_spider.py，儲存在tutorial\spiders目錄下。
dmoz_spider.py代碼如下：
from scrapy.spider import Spiderclass 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是搜尋的網域名稱範圍，也就是爬蟲的約束地區，規定爬蟲只爬取這個網域名稱下的網頁。
從parse函數可以看出，將連結的最後兩個地址取出作為檔案名稱進行儲存。
然後運行一下看看，在tutorial目錄下按住shift右擊，在此處開啟命令視窗，輸入：
scrapy crawl dmoz
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，Google了一下找到瞭解決方案：
在python的Lib\site-packages檔案夾下建立一個sitecustomize.py：
import sys sys.setdefaultencoding('gb2312')
再次運行，OK，問題解決了，看一下結果：
最後一句INFO: Closing spider (finished)表明爬蟲已經成功運行並且自行關閉了。
包含 [dmoz]的行 ，那對應著我們的爬蟲啟動並執行結果。
可以看到start_urls中定義的每個URL都有日誌行。
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，兩個檔案被建立：分別是 Books 和 Resources，這兩個檔案中有URL的頁面內容。
那麼在剛剛的電閃雷鳴之中到底發生了什麼呢。
首先，Scrapy為爬蟲的 start_urls屬性中的每個URL建立了一個 scrapy.http.Request 對象 ，並將爬蟲的parse 方法指定為回呼函數。
然後，這些 Request被調度並執行，之後通過parse()方法返回scrapy.http.Response對象，並反饋給爬蟲。
3.2取
爬取整個網頁完畢，接下來的就是的取過程了。
光儲存一整個網頁還是不夠用的。
在基礎的爬蟲裡，這一步可以用Regex來抓。
在Scrapy裡，使用一種叫做 XPath selectors的機制，它基於 XPath運算式。
如果你想瞭解更多selectors和其他機制你可以查閱資料：點我點我
這是一些XPath運算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> 標籤。 /html/head/title/text(): 選擇前面提到的<title> 元素下面的常值內容 //td: 選擇所有 <td> 元素 //div[@class="mine"]: 選擇所有包含 class="mine" 屬性的div 標籤元素
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資料解析)和XmlXPathSelector(XML資料解析)。
必須通過一個 Response 對象對他們進行執行個體化操作。
你會發現Selector對象展示了文檔的節點結構。因此，第一個執行個體化的selector必與根節點或者是整個目錄有關 。
在Scrapy裡面，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參數運算式選擇的節點
css()：返回一系列的selectors，每一個select表示一個css參數運算式選擇的節點
extract()：返回一個unicode字串，為選中的資料
re()：返回一串一個unicode字串，為使用Regex抓取出來的內容
3.3xpath實驗
下面我們在Shell裡面嘗試一下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檔案夾下，在cmd中輸入：
scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
在Shell載入後，你將獲得response回應，儲存在本地變數 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裡，裡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執行個體化兩種selectors，一個是解析HTML的 hxs 變數，一個是解析XML 的 xxs 變數。
而現在的Shell為我們準備好的selector對象，sel，可以根據返回的資料類型自動選擇最佳的解析方案(XML or HTML)。
然後我們來搗弄一下。~
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麼樣子。
比如，我們要抓取網頁的標題，也就是<title>這個標籤：
可以輸入：
sel.xpath('//title')
這樣就能把這個標籤取出來了，用extract()和text()還可以進一步做處理。
備忘：簡單的羅列一下有用的xpath路徑運算式：
| 運算式 | 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這個標籤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Firefox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>標籤：
sel.xpath('//ul/li')
從<li>標籤中，可以這樣擷取網站的描述：
sel.xpath('//ul/li/text()').extract()
可以這樣擷取網站的標題：
sel.xpath('//ul/li/a/text()').extract()
可以這樣擷取網站的超連結：
sel.xpath('//ul/li/a/@href').extract()
當然，前面的這些例子是直接擷取屬性的方法。
我們注意到xpath返回了一個對象列表，
那麼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: title = site.xpath('a/text()').extract() link = site.xpath('a/@href').extract() desc = site.xpath('text()').extract() print title, link, desc
3.4xpath實戰
我們用shell做了這麼久的實戰，最後我們可以把前面學習到的內容應用到dmoz_spider這個爬蟲中。
在原爬蟲的parse函數中做如下修改：
from scrapy.spider import Spiderfrom scrapy.selector import Selectorclass 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: title = site.xpath('a/text()').extract() link = site.xpath('a/@href').extract() desc = site.xpath('text()').extract() print title
注意，我們從scrapy.selector中匯入了Selector類，並且執行個體化了一個新的Selector對象。這樣我們就可以像Shell中一樣操作xpath了。
我們來試著輸入一下命令運行爬蟲（在tutorial根目錄裡面）：
scrapy crawl dmoz
運行結果如下：
果然，成功的抓到了所有的標題。但是好像不太對啊，怎麼Top，Python這種導覽列也抓取出來了呢。
我們只需要紅圈中的內容：
看來是我們的xpath語句有點問題，沒有僅僅把我們需要的項目名稱抓取出來，也抓了一些無辜的但是xpath文法相同的元素。
審查元素我們發現我們需要的<ul>具有class='directory-url'的屬性，
那麼只要把xpath語句改成sel.xpath('//ul[@class="directory-url"]/li')即可
將xpath語句做如下調整：
from scrapy.spider import Spiderfrom scrapy.selector import Selectorclass 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[@class="directory-url"]/li') for site in sites: title = site.xpath('a/text()').extract() link = site.xpath('a/@href').extract() desc = site.xpath('text()').extract() print title
3.5使用Item
Start building with 50+ products and up to 12 months usage for Elastic Compute Service
1 on 1 presale consultation
24/7 Technical Support 6 Free Tickets per Quarter Faster Response
Alibaba Cloud offers highly flexible support services tailored to meet your exact needs.
A comprehensive suite of global cloud computing services to power your business
Payment Methods We Support
