1. 认识 Scrapy 框架:
中文文档: http://scrapy-chs.readthedocs.io/zh_CN/0.24/index.html
英文文档: https://doc.scrapy.org/en/latest/index.html
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。其最初是为了 页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。
Scrapy中的数据流由执行引擎控制，其过程如下:
(1) 引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
(2) 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
(3) 引擎向调度器请求下一个要爬取的URL。
(4) 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
(5) 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。
(6) 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
(7) Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
(8) 引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。
(9) (从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。
数据流如下图:
组件
Scrapy Engine
引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分。
调度器(Scheduler)
调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。
下载器(Downloader)
下载器负责获取页面数据并提供给引擎，而后提供给spider。
Spiders
Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。 更多内容请看 Spiders 。
Item Pipeline
Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库中)。 更多内容查看 Item Pipeline 。
下载器中间件(Downloader middlewares)
下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。更多内容请看 下载器中间件(Downloader Middleware) 。
Spider中间件(Spider middlewares)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。更多内容请看 Spider中间件(Middleware) 。
2. 安装(Python 2.7):
sudo pip install scrapy如果成功安装, 执行下面的命令查看 Scrapy 及其组件信息:
scrapy version -v
安装可能遇到的问题及解决方案:
(1) zipimport.ZipImportError: can’t decompress data; zlib not available
解决: 安装zlib，sudo apt install zlib*
(2) fatal error: Python.h
解决(Debian或Redhat): sudo apt install python-dev 或 sudo yum install python-devel
(3) error: invalid command ‘bdist_wheel’
解决:
python -m pip uninstall pip setuptools
sudo yum install python-pip python-setuptools
sudo pip install setuptools --upgrade