本系列：
《手把手教你写网络爬虫（1）：网易云音乐歌单》
《手把手教你写网络爬虫（2）：迷你爬虫架构》
《手把手教你写网络爬虫（3）：开源爬虫框架对比》
上期我们理性的分析了为什么要学习Scrapy，理由只有一个，那就是免费，一分钱都不用花！
咦？怎么有人扔西红柿？好吧，我承认电视看多了。不过今天是没得看了，为了赶稿，又是一个不眠夜。。。言归正传，我们将在这一期介绍完Scrapy的基础知识， 如果想深入研究，大家可以参考官方文档，那可是出了名的全面，我就不占用公众号的篇幅了。
架构简介
下面是Scrapy的架构，包括组件以及在系统中发生的数据流的概览(红色箭头所示)。 之后会对每个组件做简单介绍，数据流也会做一个简要描述。
架构就是这样，流程和我第二篇里介绍的迷你架构差不多，但扩展性非常强大。
One more thing
-
scrapy startproject tutorial
该命令将会创建包含下列内容的 tutorial 目录:
tutorial/
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
__init__.py
items.py # 项目中的item文件
pipelines.py # 项目中的pipelines文件
settings.py # 项目的设置文件
spiders/ # 放置spider代码的目录
__init__.py
编写第一个爬虫
Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。其包含了一个用于下载的初始URL，以及如何跟进网页中的链接以及如何分析页面中的内容的方法。
以下为我们的第一个Spider代码，保存在 tutorial/spiders 目录下的 quotes_spider.py文件中:
import scrapy
class QuotesSpider(scrapy.Spider):
name = “quotes”
def start_requests(self):
urls = [
‘http://quotes.toscrape.com/page/1/’,
‘http://quotes.toscrape.com/page/2/’,
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
-
def parse(self, response):
-
page = response.url.split(“/”)[-2]
-
filename = ‘quotes-%s.html’ % page
-
with open(filename, ‘wb’) as f:
-
f.write(response.body)
-
self.log(‘Saved file %s’ % filename)
运行我们的爬虫
进入项目的根目录，执行下列命令启动spider:
-
scrapy crawl quotes
这个命令启动用于爬取 quotes.toscrape.com 的spider，你将得到类似的输出:
2017-05-10 20:36:17 [scrapy.core.engine] INFO: Spider opened
2017-05-10 20:36:17 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2017-05-10 20:36:17 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (404)
(referer: None)
2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (200)
(referer: None)
2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (200)
(referer: None)
2017-05-10 20:36:17 [quotes] DEBUG: Saved file quotes-1.html
2017-05-10 20:36:17 [quotes] DEBUG: Saved file quotes-2.html
2017-05-10 20:36:17 [scrapy.core.engine] INFO: Closing spider (finished)
提取数据
我们之前只是保存了HTML页面，并没有提取数据。现在升级一下代码，把提取功能加进去。至于如何使用浏览器的开发者模式分析网页，之前已经介绍过了。
import scrapy
class QuotesSpider(scrapy.Spider):
name = “quotes”
start_urls = [
