在上一篇文章的末尾，我們創建了一個scrapy框架的爬蟲項目test，現在來運行下一個簡單的爬蟲，看看scrapy爬取的過程是怎樣的。
一、爬蟲類編寫（spider.py）
from scrapy.spider import BaseSpider
class test(BaseSpider):
name = "test"
allowed_domains = ["yuedu.baidu.com"]
start_urls = ["http://yuedu.baidu.com/book/list/0?od=0&show=1&pn=0"]
def parse(self, response):
print response.url
二、爬網頁：運行scrapy項目
這裏選擇從命令行啓動運行項目的方式，一定要注意工程目錄結構，能夠運行scrapy命令的只有scrapy安裝的根目錄下。
cd到scrapy的根目錄，我的是D:\Python27\，然後運行scrapy命令：scrapy runspider test\test\spiders\spider.py。（或者直接運行工程項目的命令scrapy crawl test），可以看到爬蟲爬取的過程有一些debug信息輸出：
scrapy給爬蟲的start_urls屬性中的每個url創建了一個scrapy.http.Request對象，指定parse()方法爲回調函數。當這些Request被調度並執行，之後通過parse()返回scrapy.http.Response對象，返回給爬蟲。
三、取網頁：網頁解析
這裏用shell爬取網頁，cd到項目的根目錄test\下，在cmd中輸入：
scrapy shell http://yuedu.baidu.com可以看到結果如下圖：
剛纔的整個過程中，shell載入url後獲得了響應，由本地變量response存儲響應結果。
來看下response的內容，輸入response.body可以查看response的body部分，即抓到的網頁內容：
要查看head部分，輸入response.headers：
四、用選擇器xpath提取網頁
之前提取網頁是用的正則，這裏選擇器xpath提供了更好的接口。shell有一個selector對象sel，可以根據返回的數據類型自動選擇最佳的解析方式（XML or HTML），無需再指明瞭。
1.抓取網頁標題，即<titie>標籤，在命令行裏輸入：response.selector.xpath(‘//title’)
或者：response.xpath(‘//title’)
2.抓取<title>下的<text>內容，命令sel.xpath(‘//title/text()’).extract()
先寫到這裏，下篇文章給出一個關於scrapy項目的完整實例。
原創文章，轉載請註明出處：http://blog.csdn.net/dianacody/article/details/39753933