scrapy爬虫框架安装与应用（包括post请求、递归访问http）

scrapy安装：

scrapy有几种安装方法，这里只介绍最简单实用的，在windows和linux上次方法都能够适用，安装过程如下：

根据所使用系统的信息下载安装python2版本（scrapy目前只支持python2.6以上3以下的版本）对应的anaconda（https://www.continuum.io/downloads）。因为anaconda中集成了很多python包，可以免去安装很多依赖。

采用anaconda命令安装scrapy：conda install scrapy

使用命令：scrapy startproject + 项目名 ， 创建一个scrapy项目

若没有报错，且在当前目录下生成了一个项目文件则安装成功。生成项目目录如下图所示，被选中的文件需要自己建立，其余为系统生成的。

简单例子测试：

为了进一步确认scrapy安装的正确性，跑一个简单的例子，在官网上有一个简单例子（http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/tutorial.html）

在项目目录的spiders文件夹下面建立一个dmoz_spider.py文件，内容如下：

import scrapy

class DmozSpider(scrapy.Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]

def parse(self, response):
filename = response.url.split("/")[-2] + '.html'
with open(filename, 'wb') as f:
f.write(response.body)

使用scrapy crawl dmoz启动爬虫，此时可能会报错：



出现该错误的原因是因为采用anaconda安装scrapy时安装的twisted版本过高，换成17版本以下即可！！！（当时坑了我很长时间）

若在当前目录下成功生成html文件，且包含正确的信息，则说明我们的框架安装正确且可用。

实际应用案例

在实际应用中，我们爬取的网页内容会比较复杂，包括如下几种情况：

有时不是直接爬取网址上面的内容，而是需要通过Post请求并设置参数来获取想要的内容。（post请求处理）

还有些情况是要获取表单的详细信息，抓取到表单数据后，还要进一步对表单中出现的地址进行爬取，来获取详细信息。（递归爬取http）

复杂情况下html的解析（使用xpath和selector）

在一个spider中需要处理多个item时应该如何处理。

如何采用mongodb数据库进行数据的持久化。

具体解决方法及源代码可参考github：https://github.com/windwinds/scrapyProject

（若遇到其他问题可留言讨论）