下午被一个问题困扰了好一阵。终于使用还有一种方式解决。
開始教程二。关于Scrapy安装、介绍等请移步至教程（一）（http://blog.csdn.net/u012150179/article/details/32343635）。
在開始之前如果你已经安装成功一切所需，整怀着一腔热血想要抓取某站点。
一起来have a try。
1． 前期基础准备。
Oh,不能在准备了，直接来。
（1） 创建项目。
输入：
scapy startproject w3school
以上创建项目w3school。这时会产生w3school目录，目录下文件例如以下：
scrapy.cfg
w3school/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
当中scrapy.cfg目的配置文件。主要改写的是w3school中的三个文件以及当中spiders中须要编写的爬虫。
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。以下为items.py中代码。
#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。也正由于如此，python也会为你自己主动调用基类的__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。
在当中主要完毕数据的查重、丢弃，验证item中数据。将得到的item数据保存等工作。代码例如以下：
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)) + '
'
# print line
self.file.write(line.decode("unicode_escape"))
return item
当中的process_item方法是必须调用的用来处理item，而且返回值必须为Item类的对象。或者是抛出DropItem异常。而且上述方法将得到的item实现解码，以便正常显示中文。终于保存到json文件里。
注意：在编写完pipeline后。为了可以启动它，必须将其增加到ITEM_PIPLINES配置中，即在settings.py中增加以下一句：
ITEM_PIPELINES = {
'w3school.pipelines.W3SchoolPipeline':300
}
2.编写爬虫。
爬虫编写是在spider/目录下编写w3cshool_spider.py。
先上整个程序在慢慢解释：
#!/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）须要注意的是编写的spider必须继承自scrapy的Spider类。
属性name即spider唯一名字，start_url能够理解为爬取入口。
（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能够借助几个工具：
第一个——Firefox插件Firebug。
第二个——Firefox插件XPath。能够高速的在网页中对xpath表达式的正确性进行验证。
第三个——scrapy shell.关于其使用能够查看教程。
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”下全部文件夹结构的名字、链接和描写叙述。
使用Firebug找到次部分相应的代码块后就能够使用XPath运行信息提取。Xpath表达式如上面代码中所看到的。
上面还涉及到了对item中信息的编码，是为了中文信息在json文件里的正确显示。
（4）在parse方法中还使用到了log功能实现信息记录。使用log.mes()函数就可以。
3.运行。
一切就绪。
进入到项目文件夹下，运行：
scrapy crawl w3school --set LOG_FILE=log
在文件夹下生成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。
原创，转载注明：http://blog.csdn.net/u012150179/article/details/32911511
关于scrapy的其他文章：
http://blog.csdn.net/u012150179/article/details/34913315
http://blog.csdn.net/u012150179/article/details/34486677
http://blog.csdn.net/u012150179/article/details/34441655
http://blog.csdn.net/u012150179/article/details/32911511
http://blog.csdn.net/u012150179/article/details/35774323