Python爬虫Scrapy框架入门（1）

也许是很少接触python的原因，我觉得是Scrapy框架和以往Java框架很不一样：它真的是个框架。

从表层来看，与Java框架引入jar包、配置xml或.property文件不同，Scrapy的模式是先用Scrapy建立项目，然后对项目中部分文件进行编辑，从而达到爬取相应网页的目的。

控制台->进入目标目录->输入下面指令来建立Scrapy项目：

scrapy startproject projName

如此，我们建立了一个空的Scrapy项目。其目录如下：
　projName/
    scrapy.cfg
    projName/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py
            ...
之后我们需要做的，就是编辑其中的部分文件。其中，items.py文件如下：

import scrapy

class DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

 

projName/spiders.py如下：

import scrapy

class MySpider(scrapy.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] + '.html'
        with open(filename, 'wb') as f:
            f.write(response.body)

dmoz是官方文档的示例中爬取的网站。
之后，在控制台，进入projName目录，运行

scrapy crawl dmoz

爬取对应的页面。