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。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
所谓网络爬虫，就是一个在网上到处或定向抓取数据的程序，当然，这种说法不够专业，更专业的描述就是，抓取特定网站网页的html数据。抓取网页的一般方法是，定义一个入口页面，然后一般一个页面会有其他页面的url，于是从当前页面获取到这些url加入到爬虫的抓取队列中，然后进入到新页面后再递归的进行上述的操作，其实说来就跟深度遍历或广度遍历一样。
scrapy 使用 twisted这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。
引擎(scrapy engine)，用来处理整个系统的数据流处理，触发事务。 调度器(scheduler)，用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。 下载器(downloader)，用于下载网页内容，并将网页内容返回给蜘蛛。 蜘蛛(spiders)，蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。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(item pipeline)，负责处理有蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。 下载器中间件(downloader middlewares)，位于scrapy引擎和下载器之间的钩子框架，主要是处理scrapy引擎与下载器之间的请求及响应。 蜘蛛中间件(spider middlewares)，介于scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。 调度中间件(scheduler middlewares)，介于scrapy引擎和调度之间的中间件，从scrapy引擎发送到调度的请求和响应。
上图绿线是数据流向，首先从初始url开始，scheduler会将其交给downloader进行下载，下载之后会交给spider进行分析，spider分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回scheduler；另一种是需要保存的数据，它们则被送到item pipeline那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。
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。
文／jasonding（简书作者）
原文链接：http://www.jianshu.com/p/a8aad3bf4dc4
著作权归作者所有，转载请联系作者获得授权，并标注“简书作者”。
首先先要回答一个问题。
问：把网站装进爬虫里，总共分几步？
答案很简单，四步：
新建项目 (project)：新建一个新的爬虫项目
明确目标（items）：明确你想要抓取的目标
制作爬虫（spider）：制作爬虫开始爬取网页
存储内容（pipeline）：设计管道存储爬取内容
好的，基本流程既然确定了，那接下来就一步一步的完成就可以了。
1.新建项目（project）
在空目录下按住shift键右击，选择“在此处打开命令窗口”，输入一下命令：
scrapy startproject tutorial
其中，tutorial为项目名称。
可以看到将会创建一个tutorial文件夹，目录结构如下：
tutorial/
scrapy.cfg
tutorial/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
...
下面来简单介绍一下各个文件的作用：
scrapy.cfg：项目的配置文件
tutorial/：项目的python模块，将会从这里引用代码
tutorial/items.py：项目的items文件
tutorial/pipelines.py：项目的pipelines文件
tutorial/settings.py：项目的设置文件
tutorial/spiders/：存储爬虫的目录
2.明确目标（item）
一般来说，item可以用scrapy.item.item类来创建，并且用scrapy.item.field对象来定义属性（可以理解成类似于orm的映射关系）。
接下来，我们开始来构建item模型（model）。
首先，我们想要的内容有：
名称（name）
链接（url）
描述（description）
修改tutorial目录下的items.py文件，在原本的class后面添加我们自己的class。
因为要抓dmoz.org网站的内容，所以我们可以将其命名为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):
title = field()
link = field()
desc = field()
刚开始看起来可能会有些看不懂，但是定义这些item能让你用其他组件的时候知道你的 items到底是什么。
可以把item简单的理解成封装好的类对象。
3.制作爬虫（spider）
制作爬虫，总体分两步：先爬再取。
也就是说，首先你要获取整个网页的所有内容，然后再取出其中对你有用的部分。
3.1爬
spider是用户自己编写的类，用来从一个域（或域组）中抓取信息。
他们定义了用于下载的url列表、跟踪链接的方案、解析网页内容的方式，以此来提取items。
要建立一个spider，你必须用scrapy.spider.basespider创建一个子类，并确定三个强制的属性：
name：爬虫的识别名称，必须是唯一的，在不同的爬虫中你必须定义不同的名字。
start_urls：爬取的url列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子url将会从这些起始url中继承性生成。
parse()：解析的方法，调用的时候传入从每一个url传回的response对象作为唯一参数，负责解析并匹配抓取的数据(解析为item)，跟踪更多的url。
也就是把url存储下来并依此为起点逐步扩散开去，抓取所有符合条件的网页url存储起来继续爬取。
下面我们来写第一只爬虫，命名为dmoz_spider.py，保存在tutorial\spiders目录下。
dmoz_spider.py代码如下：
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是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页。
从parse函数可以看出，将链接的最后两个地址取出作为文件名进行存储。
然后运行一下看看，在tutorial目录下按住shift右击，在此处打开命令窗口，输入：
scrapy crawl dmoz
运行结果如图：
报错了：
unicodedecodeerror: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)
运行第一个scrapy项目就报错，真是命运多舛。
应该是出了编码问题，谷歌了一下找到了解决方案：
在python的lib\site-packages文件夹下新建一个sitecustomize.py：
import sys
sys.setdefaultencoding('gb2312')
再次运行，ok，问题解决了，看一下结果：
最后一句info: closing spider (finished)表明爬虫已经成功运行并且自行关闭了。
包含 [dmoz]的行 ，那对应着我们的爬虫运行的结果。
可以看到start_urls中定义的每个url都有日志行。
还记得我们的start_urls吗？
http://www.dmoz.org/computers/programming/languages/python/books
http://www.dmoz.org/computers/programming/languages/python/resources
因为这些url是起始页面，所以他们没有引用(referrers)，所以在它们的每行末尾你会看到 (referer: <none>)。
在parse 方法的作用下，两个文件被创建：分别是 books 和 resources，这两个文件中有url的页面内容。
那么在刚刚的电闪雷鸣之中到底发生了什么呢？
首先，scrapy为爬虫的 start_urls属性中的每个url创建了一个 scrapy.http.request 对象 ，并将爬虫的parse 方法指定为回调函数。
然后，这些 request被调度并执行，之后通过parse()方法返回scrapy.http.response对象，并反馈给爬虫。
3.2取
爬取整个网页完毕，接下来的就是的取过程了。
光存储一整个网页还是不够用的。
在基础的爬虫里，这一步可以用正则表达式来抓。
在scrapy里，使用一种叫做 xpath selectors的机制，它基于 xpath表达式。
这是一些xpath表达式的例子和他们的含义
/html/head/title: 选择html文档<head>元素下面的<title> 标签。
/html/head/title/text(): 选择前面提到的<title> 元素下面的文本内容
//td: 选择所有 <td> 元素
//div[@class="mine"]: 选择所有包含 class="mine" 属性的div 标签元素
以上只是几个使用xpath的简单例子，但是实际上xpath非常强大。
为了方便使用xpaths，scrapy提供xpathselector 类，有两种可以选择，htmlxpathselector(html数据解析)和xmlxpathselector(xml数据解析)。
必须通过一个 response 对象对他们进行实例化操作。
你会发现selector对象展示了文档的节点结构。因此，第一个实例化的selector必与根节点或者是整个目录有关 。
3.3xpath实验
下面我们在shell里面尝试一下selector的用法。
熟悉完了实验的小白鼠，接下来就是用shell爬取网页了。
进入到项目的顶层目录，也就是第一层tutorial文件夹下，在cmd中输入：
scrapy shell http://www.dmoz.org/computers/programming/languages/python/books/
回车后可以看到如下的内容：
在shell载入后，你将获得response回应，存储在本地变量 response中。
所以如果你输入response.body，你将会看到response的body部分，也就是抓取到的页面内容：
或者输入response.headers 来查看它的 header部分：
现在就像是一大堆沙子握在手里，里面藏着我们想要的金子，所以下一步，就是用筛子摇两下，把杂质出去，选出关键的内容。
selector就是这样一个筛子。
在旧的版本中，shell实例化两种selectors，一个是解析html的 hxs 变量，一个是解析xml 的 xxs 变量。
而现在的shell为我们准备好的selector对象，sel，可以根据返回的数据类型自动选择最佳的解析方案(xml or html)。
然后我们来捣弄一下！~
要彻底搞清楚这个问题，首先先要知道，抓到的页面到底是个什么样子。
比如，我们要抓取网页的标题，也就是<title>这个标签：
可以输入：
sel.xpath('//title')
结果就是：
这样就能把这个标签取出来了，用extract()和text()还可以进一步做处理。
备注：简单的罗列一下有用的xpath路径表达式：
表达式
描述
nodename
选取此节点的所有子节点。
/
从根节点选取。
//
从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.
选取当前节点。
..
选取当前节点的父节点。
@
选取属性。
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']
当然title这个标签对我们来说没有太多的价值，下面我们就来真正抓取一些有意义的东西。
使用火狐的审查元素我们可以清楚地看到，我们需要的东西如下：
我们可以用如下代码来抓取这个<li>标签：
sel.xpath('//ul/li')
从<li>标签中，可以这样获取网站的描述：
sel.xpath('//ul/li/text()').extract()
可以这样获取网站的标题：
sel.xpath('//ul/li/a/text()').extract()
可以这样获取网站的超链接：
sel.xpath('//ul/li/a/@href').extract()
当然，前面的这些例子是直接获取属性的方法。
我们注意到xpath返回了一个对象列表，
那么我们也可以直接调用这个列表中对象的属性挖掘更深的节点
3.4xpath实战
我们用shell做了这么久的实战，最后我们可以把前面学习到的内容应用到dmoz_spider这个爬虫中。
在原爬虫的parse函数中做如下修改：
from scrapy.selector import selector
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，我们从scrapy.selector中导入了selector类，并且实例化了一个新的selector对象。这样我们就可以像shell中一样操作xpath了。
我们来试着输入一下命令运行爬虫（在tutorial根目录里面）：
运行结果如下：
果然，成功的抓到了所有的标题。但是好像不太对啊，怎么top，python这种导航栏也抓取出来了呢？
我们只需要红圈中的内容：
看来是我们的xpath语句有点问题，没有仅仅把我们需要的项目名称抓取出来，也抓了一些无辜的但是xpath语法相同的元素。
审查元素我们发现我们需要的<ul>具有class='directory-url'的属性，
那么只要把xpath语句改成sel.xpath('//ul[@class="directory-url"]/li')即可
将xpath语句做如下调整：
sites = sel.xpath('//ul[@class="directory-url"]/li')
成功抓出了所有的标题，绝对没有滥杀无辜：
3.5使用item
接下来我们来看一看如何使用item。
前面我们说过，item 对象是自定义的python字典，可以使用标准字典语法获取某个属性的值：
>>> item = dmozitem()
>>> item['title'] = 'example title'
>>> item['title']
'example title'
作为一只爬虫，spiders希望能将其抓取的数据存放到item对象中。为了返回我们抓取数据，spider的最终代码应当是这样:
from tutorial.items import dmozitem
items = []
item = dmozitem()
item['title'] = site.xpath('a/text()').extract()
item['link'] = site.xpath('a/@href').extract()
item['desc'] = site.xpath('text()').extract()
items.append(item)
return items
4.存储内容（pipeline）
我们将结果用最常用的json导出，命令如下：
scrapy crawl dmoz -o items.json -t json
-o 后面是导出文件名，-t 后面是导出类型。
然后来看一下导出的结果，用文本编辑器打开json文件即可（为了方便显示，在item中删去了除了title之外的属性）：
因为这个只是一个小型的例子，所以这样简单的处理就可以了。
如果你想用抓取的items做更复杂的事情，你可以写一个 item pipeline(条目管道)。
这个我们以后再慢慢玩^_^