0. 大概流程

抓取内容（百度贴吧：网络爬虫吧）
页面： http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8
数据：1.帖子标题；2.帖子作者；3.帖子回复数
通过观察页面html代码来帮助我们获得所需的数据内容。

1. 安装Scrapy

用conda或者pip
conda install scrapy
或者
pip install scrapy

2. 工程建立

在控制台模式下进入你要建立工程的文件夹执行如下命令创建工程：

scrapy startproject baidutieba

这里的baidutieba是工程名，框架会自动在当前目录下创建一个同名的文件夹，工程文件就在里边。

(tf1) C:\Users\**\PycharmProjects\tf1\grasp_message>scrapy startproject baidutieba
New Scrapy project 'baidutianba', using template directory 'C:\Users\**\Anaconda3\envs\tf1\lib\site-packages\scrapy\templates\project', created in:C:\Users\**\PycharmProjects\tf1\grasp_message\baidutiebaYou can start your first spider with:cd baidutianbascrapy genspider example example.com

我们先看一下目录结构：

scrapy.cfg: 项目的配置文件
baidutieba/: 该项目的python模块。之后您将在此加入代码。
baidutieba/items.py:需要提取的数据结构定义文件。
baidutieba/middlewares.py: 是和Scrapy的请求/响应处理相关联的框架。
baidutieba/pipelines.py: 用来对items里面提取的数据做进一步处理，如保存等。
baidutieba/settings.py: 项目的配置文件。
baidutieba/spiders/: 放置spider代码的目录。

3. 实现过程

3.1在items.py中定义自己要抓取的数据：

import scrapy
class DetailItem(scrapy.Item):# 抓取内容：1.帖子标题；2.帖子作者；3.帖子回复数title = scrapy.Field()author = scrapy.Field()reply = scrapy.Field()

【注】上面类中的title、author、reply就像是字典中的“键”，爬到的数据就像似字典中的“值”。

3.2 然后在spiders目录下编辑myspider.py那个文件：

import scrapy
from baidutieba.items import BaidutiebaItem
import sysclass MySpider(scrapy.Spider):"""name:scrapy唯一定位实例的属性，必须唯一allowed_domains：允许爬取的域名列表，不设置表示允许爬取所有start_urls：起始爬取列表start_requests：它就是从start_urls中读取链接，然后使用make_requests_from_url生成Request，这就意味我们可以在start_requests方法中根据我们自己的需求往start_urls中写入我们自定义的规律的链接parse：回调函数，处理response并返回处理后的数据和需要跟进的urllog：打印日志信息closed：关闭spider"""# 设置namename = "spidertieba"# 设定域名allowed_domains = ["baidu.com"]# 填写爬取地址start_urls = ["http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8",]# 编写爬取方法def parse(self, response):for line in response.xpath('//li[@class=" j_thread_list clearfix"]'):# 初始化item对象保存爬取的信息item = BaidutiebaItem()# 这部分是爬取部分，使用xpath的方式选择信息，具体方法根据网页结构而定item['title'] = line.xpath('.//div[contains(@class,"threadlist_title pull_left j_th_tit ")]/a/text()').extract()item['author'] = line.xpath('.//div[contains(@class,"threadlist_author pull_right")]//span[contains(@class,"frs-author-name-wrap")]/a/text()').extract()item['reply'] = line.xpath('.//div[contains(@class,"col2_left j_threadlist_li_left")]/span/text()').extract()yield item

【注】xpath语法可参考：http://www.w3school.com.cn/xpath/xpath_syntax.asp
【注】：我们可以通过命令进入scrapy shell：
scrapy shell http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8

来方便的查看我们xpath代码所获得的结果，以便调试。

(tf1) C:\Users\**\PycharmProjects\tf1\grasp_message>scrapy shell http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8

3.3 执行命令 scrapy crawl [类中name值]

(tf1) C:\Users\**\PycharmProjects\tf1\grasp_message\baidutianba>scrapy crawl spidertieba -o items.json
Traceback (most recent call last):

由于第二步中我们在类MySpider下定义了 name =“spidertieba” ，所以执行命令：scrapy crawl spidertieba -o items.json。 -o 指定文件。
这样我们就会看到此目录下生成了items.json文件

items.json文件的内容就是要爬取的内容。
简单查看一下， 创建一个pyhon 的文件print_json.py

import jsonwith open('items.json') as f:rownum = 0new_list = json.load(f)for i in new_list:rownum += 1print("""line{}:  title:{},  author:{},  reply:{}.""".format(rownum,i['title'][0],i['author'][0],i['reply'][0]))

至此，scrapy的最简单的应用就完成了。