本博文将带领你从入门到精通爬虫框架scrapy，最终具备爬取任何网页的数据的能力。本文以校花网为例进行爬取，校花网：http://www.xiaohuar.com/，让你体验爬取校花的成就感。
scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如basespider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。
scratch，是抓取的意思，这个python的爬虫框架叫scrapy，大概也是这个意思吧，就叫它：小刮刮吧。
scrapy 使用了 twisted异步网络库来处理网络通讯。整体架构大致如下：
scrapy主要包括了以下组件：
引擎(scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
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. 可以想像成一个url（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(item)。用户也可以从中提取出链接,让scrapy继续抓取下一个页面
项目管道(pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，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框架，主要是处理scrapy引擎与下载器之间的请求及响应。
爬虫中间件(spider middlewares)
介于scrapy引擎和爬虫之间的框架，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 middewares)
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。
scrapy运行流程大概如下：
引擎从调度器中取出一个链接(url)用于接下来的抓取
引擎把url封装成一个请求(request)传给下载器
下载器把资源下载下来，并封装成应答包(response)
爬虫解析response
解析出实体（item）,则交给实体管道进行进一步的处理
解析出的是链接（url）,则把url交给调度器等待抓取
因为python3并不能完全支持scrapy，因此为了完美运行scrapy，我们使用python2.7来编写和运行scrapy。
注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/
其它可能依赖的安装包：lxml-3.6.4-cp27-cp27m-win_amd64.whl，vcforpython27.msi百度下载即可
1、创建项目
运行命令:
2.自动创建目录的结果：
文件说明：
scrapy.cfg 项目的配置信息，主要为scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据，如：django的model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则
注意：一般创建爬虫文件时，以网站域名命名
3、编写爬虫
在spiders目录中新建 xiaohuar_spider.py 文件
示例代码：
备注：
1.爬虫文件需要定义一个类，并继承scrapy.spiders.spider
2.必须定义name，即爬虫名，如果没有name，会报错。因为源码中是这样定义的：
3.编写函数parse，这里需要注意的是，该函数名不能改变，因为scrapy源码中默认callback函数的函数名就是parse；
4.定义需要爬取的url，放在列表中，因为可以爬取多个url，scrapy源码是一个for循环，从上到下爬取这些url，使用生成器迭代将url发送给下载器下载url的html。源码截图：
4、运行
进入p1目录，运行命令
格式：scrapy crawl+爬虫名 --nolog即不显示日志
5.scrapy查询语法：
当我们爬取大量的网页，如果自己写正则匹配，会很麻烦，也很浪费时间，令人欣慰的是，scrapy内部支持更简单的查询语法，帮助我们去html中查询我们需要的标签和标签内容以及标签属性。下面逐一进行介绍：
查询子子孙孙中的某个标签(以div标签为例)：//div
查询儿子中的某个标签(以div标签为例)：/div
查询标签中带有某个class属性的标签：//div[@class='c1']即子子孙孙中标签是div且class=‘c1’的标签
查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签：//div[@class='c1'][@name='alex']
查询某个标签的文本内容：//div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容
查询某个属性的值（例如查询a标签的href属性）：//a/@href
注：urllib.urlretrieve(ab_src, file_path) ，接收文件路径和需要保存的路径，会自动去文件路径下载并保存到我们指定的本地路径。
5.递归爬取网页
上述代码仅仅实现了一个url的爬取，如果该url的爬取的内容中包含了其他url，而我们也想对其进行爬取，那么如何实现递归爬取网页呢？
示例代码：
即通过yield生成器向每一个url发送request请求，并执行返回函数parse，从而递归获取校花图片和校花姓名学校等信息。
注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： depth_limit = 1
6.scrapy查询语法中的正则：
语法规则：selector(response=response查询对象).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()，即根据re正则匹配，test即匹配，属性名是class，匹配的正则表达式是"item-\d*"，然后获取该标签的href属性。
更多选择器规则：http://scrapy-chs.readthedocs.io/zh_cn/latest/topics/selectors.html
7、格式化处理
上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、qq等），则可以利用scrapy的items将数据格式化，然后统一交由pipelines来处理。即不同功能用不同文件实现。
items：即用户需要爬取哪些数据，是用来格式化数据，并告诉pipelines哪些数据需要保存。
示例items.py文件：
即：需要爬取所有url中的公司名，title，qq，基本信息info，更多信息more。
上述定义模板，以后对于从请求的源码中获取的数据同样按照此结构来获取，所以在spider中需要有一下操作：
上述代码中：对url进行md5加密的目的是避免url过长，也方便保存在缓存或数据库中。
此处代码的关键在于：
将获取的数据封装在了item对象中
yield item对象 （一旦parse中执行yield item对象，则自动将该对象交个pipelines的类来处理）
上述代码中多个类的目的是，可以同时保存在文件和数据库中，保存的优先级可以在配置文件settings中定义。