一、概述
scrapy是一个用于爬取网站和提取结构化数据的应用程序框架，它的结构清晰，效果稳定，通用性强，且能够较容易的连接数据库等附加组块。可以说是很好的爬虫开发工具。
二、安装
最好用的命令：
pip install scrapy
但是，很大概率下，scrapy库的安装不会一帆风顺。你的环境不是缺这就是少那，如果你安装成功就当我没说：
这些关键的python包，如果pip 不上，那就直接下载.whl文件吧。
如下载Twisted（下载时注意python版本和平台版本）
这一点大家可以参考这位博主的文章：
三、通用框架
先放工作流程图：
使用scrapy命令建立的爬虫会自动生成如下图所示的文件结构：
命令是啥呢？就在相应位置cmd输入以下命令即可：后面的tutorial是爬虫的名字，注意不要有中文呦！
scrapy startproject tutorial
下面一一解读：
1.spider文件夹：
这里是对具体网页的解析，获取到想要的数据，比如xpath，css选择器，re正则匹配，或BeautifulSoup也是可以的。
2.items：
对数据进行格式的规整，Field 对象用于为每个字段指定元数据(metadata)。你可以理解为这创建了一种数据模型，它规定了数据实体的结构。（有点像字典是吧，其实本质是一样的）
import scrapy
class Product(scrapy.Item):
name = scrapy.Field()
price = scrapy.Field()
stock = scrapy.Field(）
具体使用时就是这样的：
result=Product()
result['name']=xxx
result['price']=xxx
3.middlewares(中间组件)：
我能说这一部分在一些情况下，动都不用动吗！
但是，当你需要对ip，agent进行设置时，就在这里进行更改就行了。
新建一个middlewares文件夹，里面写入ip代理，agent的相关函数或方法等。
4.pipelines：
项目管道(Pipeline) 负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。这已经很明白了，就是已经拿到我想要的数据了，但是会不会有重复的、有不和格式的，我要不要筛选一下，最后写到数据库里面。
5.setting：
规定多pipeline的函数执行顺序，规定爬取网页的形式，缓冲时间，是否遵守robot协议等等。这里好多东西是不需要更改的，但是每改一个对整个爬虫的影响都是很大的。
推荐一篇博文，很详细哦：
四，执行过程：
这里有一个很形象的对话，他能解释scrapy框架如何执行的：
1.引擎：Hi！Spider, 你要处理哪一个网站？
2.Spider：老大要我处理xxxx.com。
3.引擎：你把第一个需要处理的URL给我吧。
4.Spider：给你，第一个URL是xxxxxxx.com。
5.引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
6.调度器：好的，正在处理你等一下。
7.引擎：Hi！调度器，把你处理好的request请求给我。
8.调度器：给你，这是我处理好的request
9.引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求
10.下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
11.引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def
parse()这个函数处理的）12.Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
13.引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
14.管道“调度器：好的，现在就做！
***最后是官方说明文档：（用前必看）
scrapy的官方中文文档：https://oner-wv.gitbooks.io/scrapy_zh/content/
一些基础的实例代码：
链接：https://pan.baidu.com/s/1-trLG5TEe35BtDoe_jU7og
提取码：t9m5
