1. 搭建scapy

参考手册上，用http://www.dmoz.org/里的demo来快速入门

创建一个新的Scrapy项目

　　

创建好后，工程目录如下：

 

scrapy.cfg: 项目的配置文件。

tutorial/: 该项目的python模块。之后您将在此加入代码。

tutorial/items.py: 项目中的item文件。

tutorial/pipelines.py: 项目中的pipelines文件。

tutorial/settings.py: 项目的设置文件。

tutorial/spiders/: 放置spider代码的目录。

 定义一个item保存数据

import scrapy

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

编写第一个爬虫(Spider)

# -*- coding: utf-8 -*-
import scrapy


class DmozSpider(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]
        with open(filename, 'wb') as f:
            f.write(response.body)

创建一个Spider，您必须继承 Scrapy.Spider类， 且定义以下三个属性:

　　name: 用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。

　　start_urls: 包含了Spider在启动时进行爬取的url列表。 因此，第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。

　　parse:是spider的一个方法。 被调用时，每个初始URL完成下载后生成的Response 对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request对象。

启动

进入tutorial 执行命令 scrapy crawl dmoz

悲剧了！

 安装pywin32包,找了一圈只找到exe包，安装时出现这样的问题

路径改不了。。。没发装在virtualenv环境

继续google，，呵呵呵最后通过注册表搞定

HKEY_LOCAL_MACHINE\SOFTWARE\Python\PythonCore\2.7\InstallPath

把“默认”字符串值修改成virtualenv的路径就好了。

小插曲后，运行命令启动，OK。。。

查看包含 [dmoz] 的输出，可以看到输出的log中包含定义在 start_urls 的初始URL，并且与spider中是一一对应的。在log中可以看到其没有指向其他页面( (referer:None) )。

除此之外，如同 parse 方法指定的那样，有两个包含url所对应的内容的文件被创建了: Book , Resources 。

Scrapy为Spider的 start_urls 属性中的每个URL创建了 scrapy.Resquest 对象，并将 parse 方法作为回调函数(callback)赋值给了Request。

Request对象经过调度，执行生成 scrapy.http.Response 对象并送回给spider parse() 方法。

提取Item

得到了数据，需要把所需要的东西提取出来(Scrapy Selectors)。

进入项目的根目录，执行下列命令来启动shell(先安装好IPython,通过pip install ipython):

　　scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"

shell根据response初始化selector,可以使用selector的方法来分析

提取数据

每个.xpath()返回selector组成的List， 可以通过多个.xpath()来获取某个节点。

 

# -*- coding: utf-8 -*-
import scrapy


class DmozSpider(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]
        # with open(filename, 'wb') as f:
        #     f.write(response.body)
        for sel in response.xpath("//ul/li"):
            title = sel.xpath('a/text()').extract()
            link = sel.xpath('a/@href').extract()
            desc = sel.xpath('text()').extract()
            print title, link, desc

再次用命令，scrapy crawl dmoz启动时可看到网站信息

保存爬取到的数据

使用 

scrapy crawl dmoz -o items.json，输出爬取的数据采用json格式序列化，并生成items.json