有很多开源的网络爬虫，如果我们掌握某一种或多种开源的爬虫工具，再我们获取数据的道路上会如虎添翼，事半功倍。这里我介绍一下我对于Scrapy网络爬虫的学习和搭建。

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要包括了以下组件：

• 引擎，用来处理整个系统的数据流处理，触发事务。
• 调度器，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，用于下载网页内容，并将网页内容返回给蜘蛛。
• 蜘蛛，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。
• 项目管道，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。
• 调度中间件，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。
• 下载器中间件，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，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。

首先安装Scrapy。在Windows和Linux下各有不同的办法，推荐在Linux下使用。一句话搞定：

首先搭建工程：比如说我要建立一个工程，名字叫Wechatproject

输入命令：scrapy startproject Wechatproject(project名称)

那么生成的工程目录如下：

scrapy.cfg 是整个项目的设置，主要用于部署scrapy的服务，一般不会涉及。

items.py 定义抓取结果中单个项所需要包含的所有内容。【目标】

settings.py 是scrapy的设置文件，可对其行为进行调整。【设置】

在配置文件中开启pipline插件，添加

如果需要下载images，添加

pipelines.py 定义如何对抓取到的内容进行再处理，例如输出文件、写入数据库等。【处理】

只有一个需要实现的方法：process_item。如果输出文件、写入数据库等，需要设置settings.py文件。

如果需要下载images，添加：

spiders 目录下存放写好的spider，也即是实际抓取逻辑。【工具】

parse()方法可以返回两种值：BaseItem，或者Request。通过Request可以实现递归抓取(from scrapy.http import Request)。

如果要抓取的数据在当前页，可以直接解析返回item。

例如：yield item

如果要抓取的数据在当前页指向的页面，则返回Request并指定parse2作为callback。

如果要抓取的数据当前页有一部分，指向的页面有一部分.这种情况需要用Request的meta参数把当前页面解析到的数据传到parse2，后者继续解析item剩下的数据。

将来上述文件加入工程，便于文件管理

在Wechatproject工程目录下，新建Spider_Main.py，内容如下：

在spider文件夹下定义spider。

spider定义三个主要的、强制的属性：

Scrapy为爬虫的start_urls属性中的每个url创建了一个scrapy.http.Request对象，这些scrapy.http.Request首先被调度，然后被执行，之后通过爬虫的parse()方法作为回调函数，scapy.http.Response对象被返回，结果也被反馈给爬虫。

parse()方法是用来处理Response对象，返回爬取的数据，并且获得更多等待爬取的链接。

可以使用其他分析方法如正则表达式或者BeautifulSoup对response.body进行分析，不局限于xpath()方法。

sel.xpath()返回selectors列表，每一个selector表示一个xpath参数表达式选择的节点这样就可以更快的获取需要的数据。

使用sel.xpath().extract()取出节点下面的文本数据或者使用sel.xpath().re(r”(\w+)”)来正则匹配其中元素。

同理，

使用hxs.select()返回htmlxpathselectors列表，和hxs.select().extract()取出数据或者hxs.select().re(r”(\w+)”)来正则匹配。

网络抓取：scrapy crawl wechat(spider名称) 或 scrapy crawl wechat -o results\items.json -t json