Scrapy爬虫框架入门教程（1）——爬取廖雪峰老师的博客

关注python

最近一直在学习scrapy，但是网上关于scrapy的教程实在是太少，能找到的教程大多都是基于py2.7/scrapy0.2以下，甚至很多教程都是互相抄袭，连代码都抄漏了好多，更别提各种缩进错误、变量名错误、导入错误了等等。趁着最近正在撸scrapy的官方教程，想着做几个小爬虫促进一下学习、加深印象，就写下了这篇不算教程的“教程”。我也深知，知乎上大牛太多了，所以恳请各位能多多指教！

在你看这个教程的时候，默认你已经基本掌握了python3的语法，不求会写，但是至少你能看懂。为了蹭个热度，特意选了python圈里非常著名的廖雪峰老师的博客作为爬虫对象。廖老师，你博客每天的访问量那么高，也不差让我们这些萌新练练爬虫了吧。

运行环境：

window10 x64系统

python3.6

pycharm

anaconda

scrapy

安装好以上环境、包之后，打开cmd，输入scrapy startproject liaoxuefeng，出现以下提示后，就说明你已经成功创建一个scrapy的新项目：

在该项目的根目录下，文件夹形式如下：

liaoxuefeng/
    scrapy.cfg
    liaoxuefeng/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py
            ...

开始编写爬虫的第一个代码！打开liaoxuefeng/liaoxuefeng/spiders，创建一个新文件liaoxuefeng.py，写入如下代码：

import scrapy


class LiaoxuefengSpider(scrapy.Spider):
    # 这里是将爬虫定义为scrapy.Spider这个类下的一个实例。
    # Spider这个类定义了爬虫的很多基本功能，我们直接实例化就好，
    # 省却了很多重写方法的麻烦。
    name = 'lxf'
    #这是爬虫的名字，这个非常重要。
    start_urls = ['http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000']
    #这是爬虫开始干活的地址，必须是一个可迭代对象。

    def parse(self, response):
    #爬虫收到上面的地址后，就会发送requests请求，在收到服务器返回的内容后，就将内容传递给parse函数。在这里我们重写函数，达到我们想要的功能。
        titles = response.xpath("//ul[@class='uk-nav uk-nav-side']//a/text()").extract()
        #这是廖雪峰老师python教程的标题列表。我们利用xpath解析器对收到的response进行分析，从而提取出我们需要的数据。//XXX表示任何任何目录下的XXX区块，/XXX表示子目录下的XXX区块，XXX[@class=abc]表示带有class=abc属性值的XXX区块，/text()表示获取该区块的文本。最后加上.extract()表示将内容提取出来。
        for title in titles:
            print (title)
        #这个没什么说的了，直接遍历，然后打印标题。

然后进入cmd，在项目的根目录下运行scrapy crawl lxf（这个lxf就是刚才liaoxuefeng.py文件中的name字段，千万不要弄错了），运行成功，将打印当页所有的目录名称：