初识Scrapy框架

Scrapy是一个流行的网络爬虫框架。

Ubuntu下安装

1. sudo apt-get install python-dev
2. sudo apt-get install libevent-dev
3. sudo apt-get install libssl-dev
4. pip install scrapy
   最好创建一个虚拟环境安装。

Scrapy模块功能

scrapy.png
Scrapy模块功能关系.png

1. Scrapy Engine（引擎）：Scrapy框架的核心部分。负责在Spider和ItemPipeline、Downloader、Scheduler中间通信、传递数据等。

2. Spider（爬虫）：发送需要爬取的链接给引擎，最后引擎把其他模块请求回来的数据再发送给爬虫，爬虫就去解析想要的数据。这个部分是我们开发者自己写的，因为要爬取哪些链接，页面中的哪些数据是我们需要的，都是由程序员自己决定。

3. Scheduler（调度器）：负责接收引擎发送过来的请求，并按照一定的方式进行排列和整理，负责调度请求的顺序等。

4. Downloader（下载器）：负责接收引擎传过来的下载请求，然后去网络上下载对应的数据再交还给引擎。

5. Item Pipeline（管道）：负责将Spider（爬虫）传递过来的数据进行保存。具体保存在哪里，应该看开发者自己的需求。

6. Downloader Middlewares（下载中间件）：可以扩展下载器和引擎之间通信功能的中间件。

7. Spider Middlewares（Spider中间件）：可以扩展引擎和爬虫之间通信功能的中间件。

第一个简单的项目

1. scrapy startproject projectName
   创建一个新的项目，projectName项目名
   例如，scrapy startproject qsbk爬取糗事百科
   此时可以在文件夹中看到这个项目的结构
   scrapy.cfg
    projectName/
        __init__.py
        items.py
        middlewares
        pipelines.py
        settings.py
        spiders/
            __init__.py

scrapy.cfg：项目的配置文件。
items.py：该文件定义了带抓取域的模型，有点像Django中的modle。
middlewares：该文件用来存放各种中间件。
pipelines.py：该文件用来将items模型存储到本地磁盘中。
settings：该文件定义了一些配置信息，如用户代理、爬取延时等。
spiders/：这个文件（包）下会存储实际的爬虫代码。

2.scrapy genspider spiderName "domainName"
创建爬虫(需要注意的一点是要先进入到刚刚创建的项目目录下)，spiderName爬虫名，domainName域名。
例如，scrapy genspider qsbk_spider "qiushibaike.com"爬取糗事百科的段子可以这么写。注意，spiderName和projectName不能一样。
创建好了之后会发现spiders下会有一个名为spiderName的文件。

Scrapy的中文文档（版本稍低）http://scrapy-chs.readthedocs.io/zh_CN/latest/