1． 前期基础准备。
Oh,不能在准备了，直接来。
（1） 创建项目。
输入：
[python] view
plain copy
- scapy startproject w3school
以上创建项目w3school。这时会产生w3school文件夹，文件夹下文件如下：
[plain] view
plain copy
- scrapy.cfg
- w3school/
- __init__.py
- items.py
- pipelines.py
- settings.py
- spiders/
- __init__.py
其中scrapy.cfg目的配置文件。主要改写的是w3school中的三个文件以及其中spiders中需要编写的爬虫。
一个一个来。
（2） 在items.py中定义Item容器。也就是编写items.py内容。
所谓Item容器就是将在网页中获取的数据结构化保存的数据结构，类似于Python中字典。下面为items.py中代码。
[python] view
plain copy
- #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()
上面定义了自己的W3schoolItem类，它继承自scrapy的Item（这里没有显示定义W3schoolItem的__init__()方法，也正因为如此，python也会为你自动调用基类的__init__()，否则必须显式在子类的__init__()中调用基类__init__()）。
之后声明W3schoolItem中元素并使用Field定义。到此items.py就OK了。
（3） 在pipelines.py中编写W3schoolPipeline实现对item的处理。
在其中主要完成数据的查重、丢弃，验证item中数据，将得到的item数据保存等工作。代码如下：
[python] view
plain copy
- 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方法是必须调用的用来处理item，并且返回值必须为Item类的对象，或者是抛出DropItem异常。并且上述方法将得到的item实现解码，以便正常显示中文，最终保存到json文件中。
注意：在编写完pipeline后，为了能够启动它，必须将其加入到ITEM_PIPLINES配置中，即在settings.py中加入下面一句：
[python] view
plain copy
- ITEM_PIPELINES = {
- 'w3school.pipelines.W3SchoolPipeline':300
- }
2.编写爬虫。
爬虫编写是在spider/文件夹下编写w3cshool_spider.py。
先上整个程序在慢慢解释：
[python] view
plain copy
- #!/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标签"""
- #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)
- #记录
- log.msg("Appending item...",level='INFO')
- log.msg("Append done.",level='INFO')
- return items
（1）需要注意的是编写的spider必须继承自scrapy的Spider类。
属性name即spider唯一名字，start_url可以理解为爬取入口。
（2）parse方法。
parse（）是对scrapy.Spider类的override。
（3）网页中的数据提取机制。
scrapy使用选择器Selector并通过XPath实现数据的提取。关于XPath 推荐w3school的教程。
小工具：
关于网页代码中意向信息的查找可以借助几个工具：
第一个——Firefox插件Firebug。
第二个——Firefox插件XPath。可以快速的在网页中对xpath表达式的正确性进行验证。
第三个——scrapy shell.关于其使用可以查看教程。
分析：
在这里我提取的是http://www.w3school.com.cn/xml/xml_syntax.asp网页中下图部分。
即“XML 基础”下所有目录结构的名字、链接和描述。使用Firebug找到次部分对应的代码块后就可以使用XPath执行信息提取。Xpath表达式如上面代码中所示。
上面还涉及到了对item中信息的编码，是为了中文信息在json文件中的正确显示。
（4）在parse方法中还使用到了log功能实现信息记录。使用log.mes()函数即可。
3.执行。
一切就绪。进入到项目目录下，执行：
[python] view
plain copy
- scrapy crawl w3school --set LOG_FILE=log
在目录下生成log和w3school_data_utf8.json文件。
查看生成的json文件：
OK。这就实现了针对 http://www.w3school.com.cn/xml/xml_syntax.asp中导航条部分的提取。