Scrapy是什么？
先看官网上的说明，http://scrapy-chs.readthedocs.io/zh_CN/latest/intro/overview.html
Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。
Scrapy是一个非常好用的爬虫框架，它不仅提供了一些开箱即用的基础组件，还提供了强大的自定义功能。
# Scrapy 安装
Scrapy 官网：https://scrapy.org/
各位同学的电脑环境应该和小编的相差不远（如果是使用 win10 的话） 安装过程需要10分钟左右
安装命令：
pip install scrapy
由于 Scrapy 依赖了大量的第三方的包，所以在执行上面的命令后并不会马上就下载 Scrapy ，而是会先不断的下载第三方包，包括并不限于以下几种：
- pyOpenSSL：Python 用于支持 SSL（Security Socket Layer）的包。
- cryptography：Python 用于加密的库。
- CFFI：Python 用于调用 C 的接口库。
- zope.interface：为 Python 缺少接口而提供扩展的库。
- lxml：一个处理 XML、HTML 文档的库，比 Python 内置的 xml 模块更好用。
- cssselect：Python 用于处理 CSS 选择器的扩展包。
- Twisted：为 Python 提供的基于事件驱动的网络引擎包。
- ……
如果安装不成功多试两次 或者 执行pip install --upgrade pip 后再执行 pip install scrapy
等待命令执行完成后，直接输入 scrapy 进行验证。
C:\Users\Administrator>scrapy Scrapy 2.4.0 - no active project Available commands: bench Run quick benchmark test ...
版本号可能会有差别，不用太在意
如果能正常出现以上内容，说明我们已经安装成功了。
理论上 Scrapy 安装出现各种问题才算正常情况
三、Scrapy创建项目
Scrapy 提供了一个命令来创建项目 scrapy 命令，在命令行上运行：
scrapy startproject jianshu
我们创建一个项目jianshu用来爬取简书首页热门文章的所有信息。
jianshu/ scrapy.cfg jianshu/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py ...
spiders文件夹下就是你要实现爬虫功能（具体如何爬取数据的代码），爬虫的核心。在spiders文件夹下自己创建一个spider，用于爬取简书首页热门文章。
scrapy.cfg是项目的配置文件。
settings.py用于设置请求的参数，使用代理，爬取数据后文件保存等。
items.py 自己预计需要爬取的内容
middlewares.py自定义中间件的文件
pipelines.py 管道，保持数据
项目的目录就用网图来展示一下吧
cd到Jianshu项目中，生成一个爬虫：
scrapy genspider jianshublog www.jianshu.com
这种方式生成的是常规爬虫
1）新建jianshuSpider
import scrapy class JianshublogSpider(scrapy.Spider): name = 'jianshublog' allowed_domains = ['www.jianshu.com'] start_urls = ['http://www.jianshu.com/'] def parse(self, response): pass
可以看到，这个类里面有三个属性 name 、 allowed_domains 、 start_urls 和一个parse()方法。
name，它是每个项目唯一的名字，用来区分不同的 Spider。
allowed_domains，它是允许爬取的域名，如果初始或后续的请求链接不是这个域名下的，则请求链接会被过滤掉。
start_urls，它包含了 Spider 在启动时爬取的 url 列表，初始请求是由它来定义的。
parse，它是 Spider 的一个方法。默认情况下，被调用时 start_urls 里面的链接构成的请求完成下载执行后，返回的响应就会作为唯一的参数传递给这个函数。该方法负责解析返回的响应、提取数据或者进一步生成要处理的请求。
到这里我们就清楚了，parse() 方法中的 response 是前面的 start_urls中链接的爬取结果，所以在 parse() 方法中，我们可以直接对爬取的结果进行解析。
修改USER_AGENT
打开settings.py 添加 UA 头信息
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3493.3 Safari/537.36'
修改`parse`方法解析网页
我们打开简书首页 右键检查（ctrl+shift+I）发现所有的博客头条都放在类名.note-list .content 的div 节点里面
修改jianshublog.py代码如下
jianshublog.py
import scrapy
class JianshublogSpider(scrapy.Spider):
name = 'jianshublog'
allowed_domains = ['www.jianshu.com']
start_urls = ['http://www.jianshu.com/']
def parse(self, response):
blogs = response.css('.note-list .content')
# 获取博客列表
for blog in blogs: # 遍历博客列表
title = blog.css('.title::text').extract_first() # 提取标题
link = blog.css('.title::attr(href)').extract_first() # 提取链接
nickname = blog.css('.nickname::text').extract_first() # 提作者
print("标题:",title) # 打印标题
# print("链接:", link)
# print("作者:", nickname)
最后别忘了执行爬虫命令
scrapy crawl jianshublog
整个项目就完成啦
下一讲我们把文章数据爬取出来，存储在csv文件里面