网络爬虫(Web crawler)，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，它们被广泛用于互联网搜索引擎或其他类似网站，可以自动采集所有其能够访问到的页面，以获取这些网站的内容。而Scrapy则是一种十分强大的爬虫框架，并且它是用python编写的。下面我们来一起看看什么是Scrapy?

　　一、所需知识

　　需要的知识有：linux系统 + Python语言 +Scrapy框架 + XPath(XML路径语言) + 一些辅助工具(浏览器的开发者工具和XPath helper插件)。

　　我们的爬虫是使用Python语言的Scrapy爬虫框架开发，在linux上运行，所以需要熟练掌握Python语言和Scrapy框架以及linux操作系统的基本知识。

　　我们需要使用XPath从目标HTML页面中提取我们想要的东西，包括汉语文字段落和“下一页”的链接等。

　　浏览器的开发者工具是编写爬虫主要使用的辅助工具。使用该工具可以分析页面链接的规律，可以用来定位HTML页面中想要提取的元素，然后提取其XPath表达式用于爬虫代码中，还可以查看页面请求头的Referer、Cookie等信息。如果爬取的目标是动态网站，该工具还可以分析出背后的JavaScript请求。

　　XPath helper插件是chrome的一个插件，基于chrome核的浏览器也可以安装。XPath helper可以用来调试XPath表达式。

　　二、环境搭建

　　安装Scrapy可以使用pip命令：pip install Scrapy

　　Scrapy相关依赖较多，因此在安装过程中可能遇到如下问题：

　　ImportError: No module named w3lib.http

　　解决：pip install w3lib

　　ImportError: No module named twisted

　　解决：pip install twisted

　　ImportError: No module named lxml.HTML

　　解决：pip install lxml

　　error: libxml/xmlversion.h: No such file or directory

　　解决：apt-get install libxml2-dev libxslt-dev

　　apt-get install Python-lxml

　　ImportError: No module named cssselect

　　解决：pip install cssselect

　　ImportError: No module named OpenSSL

　　解决：pip install pyOpenSSL

　　建议：

　　使用简单的方法：使用anaconda安装。

　　三、Scrapy框架

　　1. Scrapy简介

　　Scrapy是大名鼎鼎的爬虫框架，是使用Python编写的。Scrapy可以很方便的进行web抓取，并且也可以很方便的根据自己的需求进行定制。

　　2.Scrapy组件

　　Scrapy主要包括了以下组件：

　　引擎(Scrapy)

　　用来处理整个系统的数据流,触发事务(框架核心)。

　　调度器(Scheduler)

　　用来接受引擎发过来的请求,压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址。

　　下载器(Downloader)

　　用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的) 。

　　爬虫(Spiders)

　　爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面。

　　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。

　　下载器中间件(Downloader Middlewares)

　　位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

　　爬虫中间件(Spider Middlewares)

　　介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

　　调度中间件(Scheduler Middewares)

　　介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

　　Scrapy运行流程：

　　1.引擎从调度器中取出一个链接(URL)用于接下来的抓取

　　2.引擎把URL封装成一个请求(Request)传给下载器

　　3.下载器把资源下载下来，并封装成应答包(Response)

　　4.爬虫解析Response

　　5.解析出实体(Item),则交给实体管道进行进一步的处理

　　6.解析出的是链接(URL),则把URL交给调度器等待抓取