一、介紹：
Scrapy一個開源和協作的框架，其最初是爲了頁面抓取所設計的，使用它可以以快速、簡單、可擴展的方式從網站中提取所需的數據。但目前Scrapy的用途十分廣泛，可用於如數據挖掘、監測和自動化測試等領域，也可以應用在獲取API所返回的數據(例如 Amazon Associates Web Services ) 或者通用的網絡爬蟲。
Scrapy 是基於twisted框架開發而來，twisted是一個流行的事件驅動的python網絡框架。因此Scrapy使用了一種非阻塞（又名異步）的代碼來實現併發。整體架構大致如下
執行流程：
1.引擎從spider獲取初始爬行請求。
2.引擎在調度程序中調度請求，並請求下一個要爬行的請求。
3.調度程序將下一個請求返回到引擎。
4.引擎將請求發送到下載器，並通過下載器中間件（請參見process_request（））。
5.一旦頁面完成下載，下載器將生成響應（使用該頁面），並將其發送到引擎，並通過下載器中間軟件（請參見process_response（））。
6.引擎接收下載器的響應並將其發送給spider進行處理，並通過spider中間件進行處理（請參見process_spider_input（））。
7.spider處理響應，並通過spider中間件（請參見process_spider_output（））向引擎返回刮掉的項目和新請求（後續）。
8.引擎將已處理的項目發送到項目管道，然後將已處理的請求發送到計劃程序，並請求可能的下一個請求進行爬網。
9.該過程重複（從步驟1開始），直到調度程序不再發出請求。
引擎負責控制系統所有組件之間的數據流，並在某些動作發生時觸發事件。有關詳細信息，請參見上面的數據流部分。
調度器(SCHEDULER)用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 可以想像成一個URL的優先級隊列, 由它來決定下一個要抓取的網址是什麼, 同時去除重複的網址
下載器(DOWLOADER)用於下載網頁內容, 並將網頁內容返回給EGINE，下載器是建立在twisted這個高效的異步模型上的
爬蟲(SPIDERS)SPIDERS是開發人員自定義的類，用來解析responses，並且提取items，或者發送新的請求
項目管道(ITEM PIPLINES)在items被提取後負責處理它們，主要包括清理、驗證、持久化（比如存到數據庫）等操作
下載器中間件(Downloader Middlewares)
位於Scrapy引擎和下載器之間，主要用來處理從EGINE傳到DOWLOADER的請求request，已經從DOWNLOADER傳到EGINE的響應response
爬蟲中間件(Spider Middlewares)
#Windows平臺
1、pip3 install wheel #安裝後，便支持通過wheel文件安裝軟件，wheel文件官網：https://www.lfd.uci.edu/~gohlke/pythonlibs
3、pip3 install lxml
4、pip3 install pyopenssl
5、下載並安裝pywin32：https://sourceforge.net/projects/pywin32/files/pywin32/
https://nchc.dl.sourceforge.net/project/pywin32/pywin32/Build%20221/pywin32-221.win-amd64-py3.6.exe
6、下載twisted的wheel文件：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
https://download.lfd.uci.edu/pythonlibs/r5uhg2lo/Twisted-18.9.0-cp36-cp36m-win_amd64.whl
7、執行pip3 install 下載目錄\Twisted-17.9.0-cp36-cp36m-win_amd64.whl （需先使用pip安裝wheel 支持whl 軟件包，然後把文件下載後，本地安裝）
8、pip3 install scrapy
#Linux平臺
1、pip3 install scrapy
#1 查看幫助
scrapy -h
scrapy <command> -h
#2 有兩種命令：其中Project-only必須切到項目文件夾下才能執行，而Global的命令則不需要
Global commands:
startproject #創建項目
scrapy startproject amazon
genspider #創建爬蟲程序 指定名稱 限制爬取的網址
scrapy genspider amzon www.amzon.cn
settings #如果是在項目目錄下，則得到的是該項目的配置
scrapy settings --get BOT_NAME
runspider #運行一個獨立的python文件，不必創建項目
scrapy runspider amzon.py
shell #scrapy shell url地址 在交互式調試，如選擇器規則正確與否
scrapy shell www.taobao.com
fetch #單純地爬取一個頁面，不打開瀏覽器，可以拿到請求頭
scrapy fetch --nolog http://www.baidu.com 不輸出日誌
scrapy fetch --nolog --header http://www.baidu.com 不輸出日誌 只查看頭信息
view #下載完畢後直接彈出瀏覽器，以此可以分辨出哪些數據是ajax請求
scrapy view http://www.baidu.com
version #scrapy version 查看scrapy的版本，scrapy version -v查看scrapy依賴庫的版本
scrapy version -v
Project-only commands:
#必須先切換到對應的目錄才能執行
crawl #運行爬蟲，必須創建項目才行，確保配置文件中ROBOTSTXT_OBEY = False
scrapy crawl amzon
check #檢測項目中有無語法錯誤
scrapy check
list #列出項目中所包含的爬蟲名
scrapy list
edit #編輯器，一般不用
parse #scrapy parse url地址 --callback 回調函數 #以此可以驗證我們的回調函數是否正確
bench #scrapy bentch壓力測試
#3 官網鏈接
https://docs.scrapy.org/en/latest/topics/commands.html
project_name/
scrapy.cfg
project_name/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
爬蟲1.py
爬蟲2.py
爬蟲3.py
文件說明：
scrapy.cfg 項目的主配置信息，用來部署scrapy時使用，爬蟲相關的配置信息在settings.py文件中。
items.py 設置數據存儲模板，用於結構化數據，如：Django的Model
pipelines 數據處理行爲，如：一般結構化的數據持久化
settings.py 配置文件，如：遞歸的層數、併發數，延遲下載等。強調:配置文件的選項必須大寫否則視爲無效，正確寫法USER_AGENT='xxxx'
spiders 爬蟲目錄，如：創建文件，編寫爬蟲規則
注意：一般創建爬蟲文件時，以網站域名命名
import sys,os
sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')
在項目目錄下新建：entrypoint.py
from scrapy.cmdline import execute execute(['scrapy', 'crawl', 'amzon'])