下午被一個問題困擾了好一陣，最終使用另一種方式解決。

在開始之前假設你已經成功安裝一切所需，整懷著一腔熱血想要抓取某網站。一起來have a try。

1． 前期基礎準備。

Oh,不能在準備了，直接來。

（1） 建立專案。

輸入：

scapy startproject w3school

以上建立專案w3school。這時會產生w3school資料夾，資料夾下檔案如下： 

scrapy.cfg
w3school/
    __init__.py
    items.py
    pipelines.py
    settings.py
    spiders/
        __init__.py
 

其中scrapy.cfg目的配置檔案。主要改寫的是w3school中的三個檔案以及其中spiders中需要編寫的爬蟲。

一個一個來。

（2） 在items.py中定義Item容器。也就是編寫items.py內容。

所謂Item容器就是將在網頁中獲取的資料結構化儲存的資料結構，類似於python中字典。下面為items.py中程式碼。

#project: w3school
#file   : items.py
#author : younghz
#brief  : define W3schoolItem.

from scrapy.item import Item,Field

class W3schoolItem(Item):
    title = Field()
    link = Field()
    desc = Field()
 

上面定義了自己的W3schoolItem類，它繼承自scrapy的Item（這裡沒有顯示定義W3schoolItem的__init__()方法，也正因為如此，python也會為你自動呼叫基類的__init__()，否則必須顯式在子類的__init__()中呼叫基類__init__()）。

之後宣告W3schoolItem中元素並使用Field定義。到此items.py就OK了。

（3） 在pipelines.py中編寫W3schoolPipeline實現對item的處理。

在其中主要完成資料的查重、丟棄，驗證item中資料，將得到的item資料儲存等工作。程式碼如下：

import json
import codecs


class W3SchoolPipeline(object):
    def __init__(self):
        self.file = codecs.open('w3school_data_utf8.json', 'wb', encoding='utf-8')

    def process_item(self, item, spider):
        line = json.dumps(dict(item)) + '\n'
        # print line
        self.file.write(line.decode("unicode_escape"))
        return item
 

其中的process_item方法是必須呼叫的用來處理item，並且返回值必須為Item類的物件，或者是丟擲DropItem異常。並且上述方法將得到的item實現解碼，以便正常顯示中文，最終儲存到json檔案中。

注意：在編寫完pipeline後，為了能夠啟動它，必須將其加入到ITEM_PIPLINES配置中，即在settings.py中加入下面一句：

ITEM_PIPELINES = {
    'w3school.pipelines.W3SchoolPipeline':300
}

2.編寫爬蟲。

爬蟲編寫是在spider/資料夾下編寫w3cshool_spider.py。

先上整個程式在慢慢解釋：

#!/usr/bin/python
# -*- coding:utf-8 -*-

from scrapy.spider import Spider
from scrapy.selector import Selector
from scrapy import log

from w3school.items import W3schoolItem


class W3schoolSpider(Spider):
    """爬取w3school標籤"""
    #log.start("log",loglevel='INFO')
    name = "w3school"
    allowed_domains = ["w3school.com.cn"]
    start_urls = [
        "http://www.w3school.com.cn/xml/xml_syntax.asp"
    ]

    def parse(self, response):

        sel = Selector(response)
        sites = sel.xpath('//div[@id="navsecond"]/div[@id="course"]/ul[1]/li')
        items = []

        for site in sites:
            item = W3schoolItem()

            title = site.xpath('a/text()').extract()
            link = site.xpath('a/@href').extract()
            desc = site.xpath('a/@title').extract()

            item['title'] = [t.encode('utf-8') for t in title]
            item['link'] = [l.encode('utf-8') for l in link]
            item['desc'] = [d.encode('utf-8') for d in desc]
            items.append(item)

            #記錄
            log.msg("Appending item...",level='INFO')


        log.msg("Append done.",level='INFO')
        return items

（1）需要注意的是編寫的spider必須繼承自scrapy的Spider類。

屬性name即spider唯一名字，start_url可以理解為爬取入口。

（2）parse方法。

parse（）是對scrapy.Spider類的override。

（3）網頁中的資料提取機制。

scrapy使用選擇器Selector並通過XPath實現資料的提取。關於XPath 推薦w3school的教程。

小工具：

關於網頁程式碼中意向資訊的查詢可以藉助幾個工具：

第一個——Firefox外掛Firebug。

第二個——Firefox外掛XPath。可以快速的在網頁中對xpath表示式的正確性進行驗證。

第三個——scrapy shell.關於其使用可以檢視教程。

分析：

在這裡我提取的是http://www.w3school.com.cn/xml/xml_syntax.asp網頁中下圖部分。

即“XML 基礎”下所有目錄結構的名字、連結和描述。使用Firebug找到次部分對應的程式碼塊後就可以使用XPath執行資訊提取。Xpath表示式如上面程式碼中所示。

上面還涉及到了對item中資訊的編碼，是為了中文資訊在json檔案中的正確顯示。

（4）在parse方法中還使用到了log功能實現資訊記錄。使用log.mes()函式即可。

3.執行。

一切就緒。進入到專案目錄下，執行： 

scrapy crawl w3school --set LOG_FILE=log

在目錄下生成log和w3school_data_utf8.json檔案。

檢視生成的json檔案：

關於scrapy的其它文章：