很多python开发都在用scrapy框架开发抓取，我也算学习一下。虽然笔记序号为一，但是能不能坚持下去还不知道，写着看吧。官方网址：http://scrapy.org/。官方接受scrapy是纯python做的高效的web抓取框架，网络爬虫，后提取相关页面的数据。scrapy可以用于数据挖掘、监控和自动化测试等工作。据说google的大部分爬虫也是用python写的，但是不知道是否用了这个框架。可以肯定的是，这个框架能做很多事、很大，我只会用到很简单一部分。我做笔记是为自己学习记录，既不系统也不全面，建议大家到官方下载pdf的文档，进行学习，我也是通过pdf文档学习，并使用其中的例子修改为自己的形成笔记。为了不引起争议，直接用自己的站进行抓取学习。
开始学习了，linux的环境，是CentOS5，windows的环境是win7，python都是2.6，因为scrapy支持2.6、2.7，不支持3.X。直接使用easy_install安装，但是windows上安装的是0.14.3，linux上安装的0.12，官方网站上最新的开发版本是0.15。不知道为什么差距这么大。为了方便学习直接手动下载0.15，安装到linux上。
tar zxf Scrapy-X.X.X.tar.gz
cd Scrapy-X.X.X
python setup.py install
在linux上安装有警告，关于ssl的，如下
Running pyOpenSSL-0.13/setup.py -q bdist_egg –dist-dir /tmp/easy_install-rx8P0H/pyOpenSSL-0.13/egg-dist-tmp-g7Da22
warning: no previously-included files matching ‘*.pyc’ found anywhere in distribution
OpenSSL/ssl/connection.c: In function ‘ssl_Connection_set_context’:
OpenSSL/ssl/connection.c:289: 警告：隐式声明函数 ‘SSL_set_SSL_CTX’
OpenSSL/ssl/connection.c: In function ‘ssl_Connection_get_servername’:
OpenSSL/ssl/connection.c:313: 错误：‘TLSEXT_NAMETYPE_host_name’ 未声明 (在此函数内第一次使用)
OpenSSL/ssl/connection.c:313: 错误：(即使在一个函数内多次出现，每个未声明的标识符在其
OpenSSL/ssl/connection.c:313: 错误：所在的函数内只报告一次。)
OpenSSL/ssl/connection.c:320: 警告：隐式声明函数 ‘SSL_get_servername’
OpenSSL/ssl/connection.c:320: 警告：赋值时将整数赋给指针，未作类型转换
OpenSSL/ssl/connection.c: In function ‘ssl_Connection_set_tlsext_host_name’:
OpenSSL/ssl/connection.c:346: 警告：隐式声明函数 ‘SSL_set_tlsext_host_name’
error: Setup script exited with error: command ‘gcc’ failed with exit status 1
直接下载pyopenssl后安装，
http://pypi.python.org/packages/source/p/pyOpenSSL/pyOpenSSL-0.12.tar.gz
再执行 easy_install -U scrapy，安装成功。
在windows上除了安装pyopenssl还要w3lib、Twisted，但是处理比较简单，直接easy_install安装，如：C:\Python26\Scripts>easy_install.exe pyopenssl。
环境搭建完成，毕竟使用的linux服务器，所以还是在linux上学习。开始创建一个抓取项目，项目名为scrapytest.
>scrapy startproject simonzhang
创建项目完毕，目录树如下,：
simonzhang
│ scrapy.cfg # 整个目录的配置
│
└─simonzhang # 项目模块，代码都放在这
│ items.py # 项目的items文件，相当于格式化抓取的内容，以字典形式返回
│ pipelines.py # 项目的pipelines，管理通道，主要是对抓取网页后的数据清洗、验证和入库
│ settings.py # 项目的设置文件，
│ __init__.py
│
└─spiders # 这个目录放的是蜘蛛文件，
__init__.py
进入simonzhang目录，编辑simonzhang/items.py
from scrapy.item import Item, Field
class ScrapytestItem(Item):
# define the fields for your item here like:
# name = Field()
title = Field()
link = Field()
desc = Field()
pass
编写第一个蜘蛛simonzhang/spiders/frist_simonzhang.py
from scrapy.spider import BaseSpider
class DmozSpider (BaseSpider):
name = "simonzhang_net" # 蜘蛛的名字，一个项目下每个蜘蛛名字必须是唯一的
allowed_domains = ["simonzhang.net"]
start_urls = ["http://www.simonzhang.net/"] #下载列表，注意域名后面需要一个“/”因为稍后会用于截取文件名
def parse (self,response): # 抓取和保存的方法
filename = response.url.split("/")[2]
open (filename, 'wb').write(response .body)
进入simonzhang/simonzhang/spiders目录运行下面命令：
scrapy crawl simonzhang_net
运行完毕，看到目录下已经有一个www.simonzhang.net的文件，打开文件可以看到是抓取为首页的文件。
scrapy 学习笔记 二
http://www.simonzhang.net/?p=1112
