本篇文章我们来看一下强大的Python爬虫框架Scrapy。Scrapy是一个使用简单，功能强大的异步爬虫框架，我们先来看看他的安装。
Scrapy的安装
Scrapy的安装是很麻烦的，对于一些想使用Scrapy的人来说，它的安装常常就让很多人死在半路。在此我将我的安装过程和网络上整理的安装方法，分享给大家，希望大家能够安装顺利。如果你在学习Python的过程中遇见了很多疑问和难题，可以加-q-u-n 227 -435-450里面有软件视频资料免费
Windows安装
开始之前，我们要确定自己安装了Python，本篇文章我们以Python3.5为例。Scrapy有很多依赖的包，我们来一一安装。
是不是很麻烦呢，如果大家不喜欢折腾，那么在Windows下也可以很方便的安装。那就要使用我们之前提到的Anaconda了。具体安装大家自己找找，或者在之前的文章中找。那么他的安装Scrapy只需要一行：
conda install scrapy
Linux安装
Linux系统安装起来就要简单一点：
sudo apt-get install build-essential python3-dev libssl-dev libffi-dev libxml2 libxml2-dev libxslt1-dev zlib1g-dev
Mac OS安装
我们需要先安装一些C++的依赖库，xcode-select --install
需要安装命令行开发工具，我们点击安装。安装完成，那么依赖库也就安装完成了。
然后我们直接使用pip安装pip install scrapy
以上，我们的Scrapy库的安装基本上就解决了。
Scrapy的基本使用
Scrapy的中文文档地址：here
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。
他的基本项目流程为：
而一般我们的爬虫流程为：
我们一步一步来看看如何使用。
创建项目
在开始爬取之前，您必须创建一个新的Scrapy项目。 进入您打算存储代码的目录中，运行下列命令（以知乎日报为例）:
scrapy startproject zhihurb
该命令将会创建包含下列内容的 zhihu 目录:
zhihurb/
scrapy.cfg
zhihurb/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
...
这些文件分别是:
scrapy.cfg: 项目的配置文件zhihurb/: 该项目的python模块。之后您将在此加入代码。zhihurb/items.py: 项目中的item文件.zhihurb/pipelines.py: 项目中的pipelines文件.zhihurb/settings.py: 项目的设置文件.zhihurb/spiders/: 放置spider代码的目录.
定义Item
这一步是定义我们需要获取到的数据信息，比如我们需要获得网站里的一些url，网站文章的内容，文章的作者等。这一步定义的地方就在我们的items.py文件。
import scrapy
class ZhihuItem(scrapy.Item):
name = scrapy.Field()
article = scrapy.Field()
编写Spider
这一步就是写我们最熟悉的爬虫了，而我们的Scrapy框架可以让我们不需要去考虑实现的方法，只需要写出爬取的逻辑就可以了。
首先我们需要在 spiders/ 文件夹下创建我们的爬虫文件，比如就叫spider.py。写爬虫前，我们需要先定义一些内容。我们以知乎日报为例：https://daily.zhihu.com/
from scrapy import Spider
class ZhihuSpider(Spider):
name = "zhihu"
allowed_domains = ["zhihu.com"]
start_urls = ['https://daily.zhihu.com/']
这里我们定义了什么呢?首先我们导入了Scrapy的Spider组件。然后创建一个爬虫类，在类里我们定义了我们的爬虫名称：zhihu（注意：爬虫名称独一无二的，是不可以和别的爬虫重复的）。还定义了一个网址范围，和一个起始 url 列表，说明起始 url 可以是多个。
然后我们定义一个解析函数：
def parse(self, response):
print(response.text)
我们直接打印一下，看看这个解析函数是什么。
运行爬虫
scrapy crawl zhihu
由于Scrapy是不支持在IDE中执行，所以我们必须在命令行里执行命令，我们要确定是不是cd到爬虫目录下。然后执行，这里的命令顾名思义，crawl是蜘蛛的意思，zhihu就是我们定义的爬虫名称了。
查看输出，我们先看到的是一些爬虫类的输出，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。我们接着可以看到打印出了网页源代码。可是我们似乎并没有做什么，就得到了网页的源码，这是Scrapy比较方便的一点。
提取数据
接着就可以使用解析工具解析源码，拿到数据了。
由于Scrapy内置了CSS和xpath选择器，而我们虽然可以使用Beautifulsoup，但是BeautifulSoup的缺点就是慢，这不符合我们Scrapy的风格，所有我还是建议大家使用CSS或者Xpath。
由于之前我并没有写过关于Xpath或者CSS选择器的用法，那么首先这个并不难，而且熟悉浏览器的用法，可以很简单的掌握他们。
我们以提取知乎日报里的文章url为例：
from scrapy import Request
def parse(self, response):
urls = response.xpath('//div[@class="box"]/a/@href').extract()
for url in urls:
yield Request(url, callback=self.parse_url)
这里我们使用xpath解析出所有的url（extract()是获得所有URL集合，extract_first()是获得第一个）。然后将url利用yield语法糖，回调函数给下一个解析url的函数。
使用item
后面详细的组件使用留在下一章讲解，这里假如我们解析出了文章内容和标题，我们要将提取的数据保存到item容器。
Item对象相当于是自定义的python字典。 您可以使用标准的字典语法来获取到其每个字段的值。(字段即是我们之前用Field赋值的属性)。
# 假如我们下一个解析函数解析出了数据
def parse_url(self, response):
# name = xxxx
# article = xxxx
# 保存
item = DmozItem()
item['name'] = name
item['article'] = article
# 返回item
yield item
保存爬取到的数据
这里我们需要在管道文件pipelines.py里去操作数据，比如我们要将这些数据的文章标题只保留 5 个字，然后保存在文本里。或者我们要将数据保存到数据库里，这些都是在管道文件里面操作。我们后面在详细讲解。
那么最简单的存储方法是使用命令行命令：
scrapy crawl zhihu -o items.json
这条命令就会完成我们的数据保存在根目录的json文件里，我们还可以将他格式保存为msv,pickle等。改变命令后面的格式就可以了。
