实战爬虫还是框架来的快，最近学习了下scrapy爬虫框架，总体感觉跟django一样也是一种“重型”框架，基本啥都有，填空就行，生产力也就没话说。。。
环境搭建啥的就不赘述了，网上一大把。下面主要结合实战（爬取顶点小说网）分模块进行学习。
步骤如下：
1.创建工程目录 scrapy startproject Dingdian（跟django是不是一模一样。。。）
进一步，可以直接创建一个初始网页的爬虫：scrapy genspider dingdian http://www.23us.so/
需要注意的是，此时的dingdian是爬虫的name，在整个项目中是唯一的，而前面创建项目的Dingdian只是个文件目录名。
2.写items.py： 首先根据爬取数据的需求，定义数据字段，一般为了将网页解析后获取的数据进行格式化，可以将数据封装成一个Item类，然后对类进行操作。
使用Item类时直接继承scrapy的Item类即可。scrapy只提供Field()一种字段类型，可以用来存储任意类型的数据。
3.写爬虫最主要的部分，若先前创建了初始网页的爬虫，spider文件夹就已经有了对应的.py文件（即diangdian.py）;否则，就得手动创建（文件名随意，最好跟name一致）。
spider文件完成爬虫的主要工作，包括url的构造、requests的发出、response的操作即回调函数的编写，一般还有响应数据的解析并返回给item
（一般使用yield返回，scrapy会根据settings的文件中的配置来传输到对应的pipeline类中。）
其中包括html网页解析的几种方法：css选择器+xpath语法+re+bs4，前两个直接用，repython自带，bs4是第三方库
4.写pipeline.py文件，与此同时，需要在settings.py中的ITEM_PIPELINES项进行配置。
在pipeline模块中可以实现将数据存储成json数据或者保存到mysql等数据库中。如果是图片的话，可以用scrapy自带的ImagesPipeline保存图片。
其中，将文本数据存储成Json数据时，可以自定义Pipeline类（json.dump）实现，也可以使用scrapy提供的exporter存储Json数据。
scrapy提供了一个JsonItemExporter类来进行Json数据的存储。需要注意的是，使用exporter生产的json数据被放在了一个列表里面。
官方文档学习：
1.command line tool
主要有三个功能：可以创建新的工程项目（startproject）、创建一个新的爬虫（genspider）、启动爬虫项目（crawl），
也可以通过一些特殊命令行实现特殊的功能，如：
scrapy fetch <url> 使用scrapy的downloader下载文件并输出到standard output上；
scrapy parse <url> [options] ,具体例子如 scrapy parse http://www.example.com/ -c parse_item 使用特定的回调函数对对应url返回的response进行解析。
2. Spiders
Spiders是一些定义了如何爬取一系列网页的类，包括如何完成爬取操作（如follow links）和如何从response的html页面中获取结构化数据（如scraping item）。
第一步：默认情况下，start_requests()方法中需要实现向特定的URLS（由start_urls列表指出）发出Request同时其回调函数为parse()方法（默认情况）。
第二步：在回调函数中（默认为def parse()中），实现对response的解析操作，返回结构化数据的字典或Item对象或Request对象或者这些对象的一个迭代器。
第三部：在回调函数中，实现对网页内容的提取，可以使用任意你喜欢的工具，如Xpath，正则，bs等。
第四步：最后，一般情况下会将spider返回的items持久化在一个数据库中（通过Item Pipeline）或者写入到文件中（通过Feed exports）。
任何编写的spider类都必须继承自scrapy.Spider类：
这是scrapy默认捆绑的一个类，也是最最基本的spider类，其余任何自己写的类都得继承它。它不提供任何特定的功能，
只提供一个默认的start_requests()组件（通过start_urls属性发送请求+对每个返回响应调用parse()方法进行解析）。
属性：
name 一个字符串，定义该spider的名称，it must be unique.
allowed_domains 一个字符串列表，包含了该spider被允许爬取的domains。即不在该列表域名及其子域名包含范围内的urls的requests是不被接受的。
当然该属性可以通过设置项OffsiteMiddleware更改。
start_urls 一个url的列表，列出了没指出特定的urls时该spider开始爬取的地址。该列表只是定义了“首地址”，后续爬取的urls是由解析的html中重新构造。
custom_settings 一个用于自定义属性的字典。不常用。
crawler 该属性通过初始化类from_crawler()设置，它将Crawler对象链接到该spider的实例被限制的对象。。（翻译的自己都看不懂了 尴尬。。。用到了再细看吧）
settings 运行此spider时的配置。
logger 用spider的name创建的python logger。可以通过它发送日志消息。
方法：
from_crawler(crawler，*args，**kwargs) 该方法是Scrapy用于创建该spider时的类方法，默认配置就像是对__int__()方法的一个代理，一般不用重写此方法。
start_requests() 该方法必须返回一个包含第一个爬取操作的Request的迭代器。当scrapy开始工作时，该方法就会被首先调用，但只会被调用一次！
如果需要更改这种默认设置，如第一步不是爬取主页而是使用一个POST request 进行登录操作，则：
class MySpider(scrapy.Spider): name = 'myspider' def start_requests(self): return [scrapy.FormRequest("http://www.example.com/login", formdata={'user': 'john', 'pass': 'secret'}, callback=self.logged_in)] def logged_in(self, response): # here you would extract links to follow and return Requests for # each of them, with another callback pass
parse(self, response) 该方法是scrapy中默认处理downloaded responses的回调函数。该方法（其他回调函数也一样）负责处理response，返回爬取的数据或者follow的urls。
该方法或者说是任意回调函数，都必须返回一个Request的迭代器或者包含数据的字典或者一个item对象。
log(message[，level，component]) 该方法一个通过scrapy的logger发送日志文件的封装。详情点击。。
closed(reason) 当spider需要关闭时调用的方法，该方法给spider_closed信号的ignal_connect()提供了一个shortcut。
Spider arguments
spider的参数通过crawl命令行的-a选项进行传递。如 ：scrapy crawl dingdian -a category=electronics
而spider可以通过__int_方法接收参数。由于__int__方法会默认调用任何spider传递进来的参数并将所有参数设置为属性值。所以可以随意调用，如self.category就等于electronics.
需要注意的是，-a选项传递的参数是一个字符串，所以并不能直接通过参数传递start_urls（它是个列表）。
3.Items
Item对象是用来收集爬取数据的简单容器。它提供了一个类似字典的API，语法简单（python class），类似于django的Models。由于scrapy只有一种字段类型Filed()，所以它比django简单得多的多。
4. Item Pipeline
spider爬取到一个item后，它就会被送往Pipeline进行下一步处理。每个item pipeline都是一个python类，一个用于接受item并对其进行处理的类。
item pipeline的四个典型应用是：清洗HTML数据、验证爬取的数据是否正确（与item中定义的是否一致）、检查数据是否有重复、将爬取的item存储到数据库中。
自定义的pipeline是一个pyhton 类，且必须包含以下方法:
process_item(self，item，spider) 该方法每个item pipeline的组件都得调用它，返回值为一个包含数据的字典 或 一个Item对象（或继承自Item的对象）
或一个Twisted Deferred 或者raise一个DropItem异常。丢弃的items就不再被其他pipeline组件处理。
参数：item（Item对象或字典）——爬取的item
spider（Spider对象）——爬取该item的spider
open_spider(self，spider) 当spider启动时就会调用此方法。若将爬取的数据保存在文件中，可以在该方法中打开文件。
close_spider(self，spider) 当spider关闭时就会调用此方法。若将爬取的数据保存在文件中，可以在该方法中关闭文件。
from_crawler(cls，crawler) 该方法用于对Crawler创建一个pipeline的实例。它必须返回一个pipeline的新实例，
Crawler对象可以对所有scrapy组件如settings和signals进行设置，是一种将pipeline的功能与scrapy相关联的方法。
此外，激活一个Item Pipeline组件还需在settings的ITEM_PIPELINES项中进行设置。
5. Feed exports
scrapy通过Feed Exports提供对爬取item进行存储的功能，可以存储成多种序列化格式和存储后端。
feed exports 默认提供四种序列化存储格式：json、json lines、CSV、XML，其他格式可以在settings的FEED_EXPORTERS项进行扩展。
JSON FEED_FORMAT：json
使用的Exporter：JsonItemExporter
注意：
JSON lines FEED_FORMAT：jsonlines
使用的Exporter：JsonLinesItemExporter
CSV FEED_FORMAT：csv
使用的Exporter：CsvItemExporter
注意：因为csv使用的是固定头部，若需指定输出的列以及列的顺序需要用FEED_EXPORT_FIELDS。
XML FEED_FORMAT：xml
使用的Exporter：XmlItemExporter
Pickle FEED_FORMAT：pickle
使用的Exporter：PickleItemExporter
Marshal FEED_FORMAT：marshal
使用的Exporter：MarshalItemExporter
6. Requests and Response
class scrapy.http.Request(url[, callback, method='GET', headers, body, cookies, meta, encoding='utf-8', priority=0, dont_filter=False, errback, flags])
url——一个字符串，表示请求的目的地址url
callback——一个可调用对象（callable），处理该请求返回响应的回调函数，默认为parse()
method——一个字符串，该请求的HTTP方法，默认为“GET”。
meta——一个字典，定义Request.meta属性的初始值。若给出该参数，该字典传递的值会被浅复制。
body——str或unicode，请求的主体。无论给出的该参数是str还是unicode，甚至不给出该参数（不给出时默认为空字符串），
最终存储的值都会是一个str类型，而不是unicode或None。所以若给出unicode，则会被自动编码成str（默认为utf-8编码）。
headers——一个字典，该请求的头部。字典的值可以为strings（一个健只有1个值时）也可以为lists（一个键有多个值）。若定义该参数为None，HTTP则根本不会传递该参数。
cookies——一个字典或列表，为列表格式时可以自定义cookie的domain和path属性，用于后续requests复用该cookies。大多数浏览器都会把一些网站（如购物站点）的cookies保存
在对应站点的文件夹里，以备后续使用。但是，如果你想关闭该功能，可以在Request.meta项中设置dont_merge_cookies键的值为True即可。
encoding——一个字符串，该请求的编码方式，默认为‘utf-8’。该编码方式用于将URL预编码和body参数传入unicode格式时转换使用。
priority——一个整数int，该请求的优先级别（默认为0），定义了scheduler处理该请求的优先级别。优先级越高，更早被处理。负数也可以，表征相对低的优先级。
dont_filter——布尔值，表示该请求是否会被scheduler过滤。用于重复多次发起一个完全相同的请求。默认为False。小心使用，容易陷入crawling loops。
errback——一个可调用对象，当处理请求过程中发生任何异常时就会调用该函数，包括404异常之类的。
flags——一个列表，传递给requests，用于登录等目的。
修改url、body时使用replace()，它返回一个特定参数更改而其余参数不变的request。
replace([url, method, headers, body, cookies, meta, encoding, dont_filter, callback, errback])
回调函数的第一个参数是request发出的response。如 def parse1(self，response)。若想向回调函数中传递参数，需用到request的meta属性进行设置。
Requset subclass
class scrapy.http.FormRequest(url[, formdata, ...])
其中formdata是一个字典，或元组的一个迭代器，包含想要传递给request的body中的被url-encoded的HTML表单数据。
方法：from_response(response[, formname=None, formid=None, formnumber=0, formdata=None, formxpath=None, formcss=None, clickdata=None, dont_click=False, ...])
用处：1.使用FormRequest实现通过HTTP POST传递数据：
return [FormRequest(url="http://www.example.com/post/action", formdata={'name': 'John Doe', 'age': '27'}, callback=self.after_post)]
2.使用FormRequest的from_response()方法模拟账户登录：
import scrapy
class LoginSpider(scrapy.Spider): name = 'example.com' start_urls = ['http://www.example.com/users/login.php'] def parse(self, response): return scrapy.FormRequest.from_response( response, formdata={'username': 'john', 'password': 'secret'}, callback=self.after_login ) def after_login(self, response): # check login succeed before going on if "authentication failed" in response.body: self.logger.error("Login failed") return # continue scraping with authenticated session...
class scrapy.http.Response(url[, status=200, headers=None, body=b'', flags=None, request=None])
url——该响应的url
status——HTTP状态码，默认为200
headers——一个类字典对象，包含了响应的头部文件，可以使用get()方法进行获取特定键下的第一个值或者使用getlist()方法获取响应名称下的所有值。
body——bytes，响应的主体。若想得到解码后的str文本（python3中，python2为unicode）可以使用response.text方法
flags——同上
request——一个请求对象，表示生产该响应的request，定义了Resposne.request的初始值。
Response subclass
class scrapy.http.TextResponse(url[, encoding[, ...]])
该子类就是在基类Response上添加了编码能力。
class scrapy.http.HtmlResponse(url[, ...])
该类是TextResponse的子类，通过浏览 HTML 的meta http-equiv属性添加了编码自动查找功能。
class scrapy.http.XmlResponse(url[, ...])
该类也是TextResponse的子类。通过浏览XML的装饰行进行编码自动查找。
7.Link Extractors
Link Extractors对象用于仅仅为了从web pages中提取链接时使用。scrapy提供了一个scrapy.linkextractors.LinkExtractor，
但你也可以根据自己的特定需求，创建一个简单的接口来自定义Link Extractors。
唯一一个每个link extractor都具有的方法是extract_links，它用于接收resposne对象和返回一个scrapy.link.Link对象的列表。
scrapy内置了一个link extractors，即scrapy.linkextractors模块：
from scrapy.linkextractors import LinkExtractor
默认的link extractors是LinkExtractor，不过它跟LxmlLinkExtractor一模一样。
8.Settings
scrapy的settings可以对所有组件进行自定义设置，包括the core、extensions、pipelines和spiders本身。
settings配置的路径主要有以下几种：
1.command line options命令行选项（-s 或 --set）
如：scrapy crawl myspider -s LOG_FILE=scrapy.log
2.settings per-spider在每个spider单独进行设置，通过custom_settings属性
如：class MySpider(scrapy.Spider):
name = 'myspider'
custom_settings = { 'SOME_SETTING': 'some value', }
3.projects settings module配置该项目的settings.py文件，通常在对应spider文件中创建settings.py文件进行设置。
4.default settings per-command命令行中通过default_settings属性进行设置
5.default global settings对默认的全局设置进行更改，即更改scrapy.settings.default_settings模块。
在spider中通过self.settings属性来获取属性值。
class MySpider(scrapy.Spider): name = 'myspider' start_urls = ['http://example.com'] def parse(self, response): print("Existing settings: %s" % self.settings.attributes.keys())
注意，这样获取的属性值是spider初始化后的基类spider中的设置，若想在初始化之前即在spider的__init__()方法中获取，需要重写from_crawl()方法。
class MyExtension(object):
def __init__(self, log_is_enabled=False): if log_is_enabled: print("log is enabled!") @classmethod def from_crawler(cls, crawler): settings = crawler.settings return cls(settings.getbool('LOG_ENABLED'))
9.Exceptions
scrapy中内置的所有异常：
exception scrapy.exceptions.DropItem
在item pipeline阶段使处理item中断就必须引发该异常。
exception scrapy.exceptions.CloseSpider(reason='cancelled')
当发出请求的spider被关闭或停止时，回调函数中就应引发该异常，并在reason中给出原因。
exceptionscrapy.exceptions.DontCloseSpider
exceptionscrapy.exceptions.IgnoreRequest
exceptionscrapy.exceptions.NotConfigured
exceptionscrapy.exceptions.NotSupported