1. Scrapy介绍
Scrapy 是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。Scrapy使用Twisted异步网络库处理网络通信，架构清晰，并且包含了各种中间件接口，可以灵活地完成各种要求。 Scrapy 整体架构如下图：
Scrapy组件：
引擎(Scrapy Engine)
负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。
调度器(Scheduler)
调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。
下载器(Downloader)
下载器负责获取页面数据并提供给引擎，而后提供给spider。
爬虫(Spiders)
Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。
项目管道(Pipeline)
Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库中)。
下载器中间件(Downloader middlewares)
下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
Spider中间件(Spider middlewares)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
Scrapy中的数据流由执行引擎控制，其过程如下:
- 引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
- 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
- 引擎向调度器请求下一个要爬取的URL。
- 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
- 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。
- 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
- Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
- 引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。
- (从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。
2. 创建项目
scrapy startproject taobaoS
该命令将在taobaoS目录中创建一个Scrapy项目，结构如下：
scrapy.cfg：项目的配置文件
items.py：项目的items文件
middlewares：设置代理之类的中间件
pipelines.py：项目的pipelines文件，用于编写存储的文件
settings.py：项目的设置文件
spiders：存储爬虫的目录
创建 taobao.py 内容如下：
使用cmd，进入项目所在的文件夹，写入命令 scrapy crawl taobao 运行爬虫得到结果
代码地址: https://github.com/zhhaoqin/scrapy/tree/master/taobaoS