https://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml 下载即可。
安装完方法2 后需要回到方法1继续安装，不是说方法2完成后，scrapy就安装好了。
报错情况下安装下面的twisted而不是上面lxml
Scrapy爬虫的使用
一个基本的爬虫只需要两部分组成：Spider（爬虫）、Pipeline（管道）。
管道是什么？
每个 项目管道 组件是一个实现简单方法的Python类。他们接收一个项目并对其执行操作，还决定该项目是否应该继续通过流水线或被丢弃并且不再被处理。
管道左边是爬虫，右侧是数据库，中间是管道
管道里面有很多重要的方法。
项目管道的典型用途是：
- 清理HTML数据
- 验证抓取的数据（检查项目是否包含特定字段）
- 检查重复（并删除）
- 将刮取的项目存储在数据库中
切盘：输入盘符
或者cd D:\scrapywork
然后在里面创建一个city_58项目
第一个Scrapy项目
- 在命令行输入scrapy startproject city_58，建立Scrapy项目，提示如图即成功。
里面的文件目录都如下：
Alt text
- 得到如图的文件目录结构
- scrapy框架文件解析：
- city_58/：该项目的python模块。之后您将在此加入代码
- city_58/spiders/：放置spider代码的目录，在命令行使用“scrapy genspider + 爬虫名”生成的 - - spider文件将会被存放在此目录下
- city_58/items.py：项目中的item文件，存放各种字段
- city_58/pipelines.py：项目中的pipelines文件
- city_58/settings.py：项目的设置文件
- scrapy.cfg：项目的配置文件，一般不需要修改，也不能删除
- 在cmd中切换到city_58文件中，直接在cmd中输入“scrapy genspider spider_city_58 58.com”，其中spider_city_58 表示爬虫文件名（不能和工程名相同）；58.com代表所要爬取的网站的主域名。主域名介绍：map.baidu。或者www.baidu.com。或者58.com 这一步很重要。这个域名可以限制爬取的范围。北京啊上海啊等等。
在spider下面生成spider_city_58文件，或者python中输入如下代码
# -*- coding: utf-8 -*-
import scrapy
class SpiderCity58Spider(scrapy.Spider):
name = 'spider_city_58' #必不可少的属性，需要利用它去决定启动哪个爬虫
allowed_domains = ['58.com']
start_urls = ['http://58.com/'] #从start_urls中启动链接
def parse(self, response):
pass
结果如下：
自动生成如下代码
# -*- coding: utf-8 -*-
import scrapy
class SpiderCity58Spider(scrapy.Spider):
name = 'spider_city_58' #必不可少的属性，需要利用它去决定启动哪个爬虫
allowed_domains = ['58.com'] #允许的站点
start_urls = ['http://58.com/'] #从start_urls中启动链接 ，list可以是一条也可以是一系列，也可以从文件中读，自动调用start_urls 发送出去返回源代码，默认的，所以原生代码没有。
def parse(self, response): #parse默认解析器
pass
不要重写，request不重写，按照默认
Scrapy的基本方法和属性：
- 爬虫名称：name属性
- 启动方法：start_requests（），或者直接使用start_urls启动
- 默认解析器方法：parse（）
- 启动链接列表：start_urls属性
我们使用Scrapy的启动命令的时候，需要知道它的name属性，利用name属性去决定启动那个爬虫。如本例中爬虫名字是“spider_city_58”，则可以在命令行中使用：scrapy crawl spider_city_58 启动这个爬虫
爬虫默认首先从start_urls里面读取链接，然后自动调用start_request函数（或者你也可以自己定义start_request函数），此函数请求的结果自动调用默认解析器parse，也就是调用parse处理返回来的response
- 启动Scrapy框架
为了方便知道请求到达了默认解析器parse，可以在解析器中输出一句话“我进入了解析器”
# -*- coding: utf-8 -*-
import scrapy
class SpiderCity58Spider(scrapy.Spider):
name = 'spider_city_58'
allowed_domains = ['58.com']
start_urls = ['http://58.com/']
def parse(self, response):
print('我进入了解析器')
启动方法：
第一种方法：打开命令行，切换到项目目录下，执行scrapy crawl spider_city_58。
第二种方法：在项目中建立一个main.py文件，然后运行该文件即可。
from scrapy import cmdline
课后作业：
- 利用Scrapy框架自行设计一个爬虫
补充资料
Scrapy常用命令行命令
Scrapy提供了两种类型的命令，分别为全局命令和项目命令
项目命令 必须在Scrapy项目中运行， 全局命令 则不需要。因此， 运行相关的项目命令时，必须把当前命令行的路径切换到对应的项目下
全局命令： | 全局命令： | | 项目命令 | 项目命令 |
startproject | shell | | crawl | bench |
genspider | fetch | | check | list |
settings | view | | parse | edit |
runspider | version | | | |
查看所有命令
>>>scrapy -h
查看帮助信息
>>>scapy –help
查看版本信息
>>>scrapy version
Scrapy 1.1.2
>>>scrapy version -v
Scrapy : 1.4.0
lxml : 3.8.0.0
libxml2 : 2.9.4
cssselect : 1.0.1
parsel : 1.2.0
w3lib : 1.18.0
Twisted : 17.9.0
Python : 3.6.2 |Anaconda custom (64-bit)| (default, Sep 19 2017, 08:03:39) [MSC v.1900 64 bit (AMD64)]
pyOpenSSL : 17.2.0 (OpenSSL 1.0.2l 25 May 2017)
Platform : Windows-8.1-6.3.9600-SP0
startproject命令：新建一个项目，后面跟的是项目名字
>>>scrapy startproject spider_name
genspider命令：
生成一个spider文件，一个工程中可以存在多个spider, 但是名字必须唯一；
爬虫名字后面加上限制的主域名，也就是限制爬虫只爬取该域名页面下的数据；
针对某个爬虫项目生成spider文件时，需要将命令行当前工作目录切换到对应的爬虫项目路径下
>>>scrapy genspider name domain
#例如:
>>>scrapy genspider taobao taobao.com
#指定了新生成的爬虫名字是“taobao”，限制爬取的主域名是“taobao.com”
查看当前项目内有多少爬虫
>>>scrapy list
使用浏览器打开网页
>>>scrapy view http://www.baidu.com
shell命令：进入scrapy交互环境，方便实时验证结果
#进入该url的交互环境
>>> scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
# 之后便进入交互环境
# 我们主要对这里面的response（也就是爬虫的响应文件）进行操作, 例如:
>>> response.xpath() #括号里直接加xpath路径
runspider命令：用于直接运行创建的爬虫, 并不会运行整个项目
>>>scrapy runspider 爬虫名称
fetch命令：使用Scrapy下载器下载给定的URL，并将内容写入标准输出。
>>>scrapy fetch
settings：获取Scrapy设置的值。 如果在项目中使用，它将显示项目设置值，否则将显示该设置的默认Scrapy值。
>>>scrapy settings [options]
parse命令：获取给定的URL并使用处理它的爬虫解析它，使用通过–callback选项传递的方法，或者parse如果没有给出。
>>>scrapy parse [options]
scrapy项目文件的结构及用途
可以看到，在city_58项目文件夹下有city_58文件夹和scrapy.cfg文件，其中scrapy.cfg文件中主要包含的是项目的相关设置。而在scrapy文件夹下我们可以看到：
Spiders文件夹 ：我们可以在Spiders文件夹下编写我们的爬虫文件，里面主要是用于分析response并提取返回的item或者是下一个URL信息，每个Spider负责处理特定的网站或一些网站。
__init__.py :项目的初始化文件。
items.py ：定义我们所要爬取的信息的相关属性。Item对象是种容器，用来保存获取到的数据。
middlewares.py :Spider中间件，在这个文件里我们可以定义相关的方法，用以处理蜘蛛的响应输入和请求输出。
pipelines.py :在item被Spider收集之后，就会将数据放入到item pipelines中，在这个组件是一个独立的类，他们接收到item并通过它执行一些行为，同时也会决定item是否能留在pipeline，或者被丢弃。
settings.py :提供了scrapy组件的方法，通过在此文件中的设置可以控制包括核心、插件、pipeline以及Spider组件。
我们来具体介绍一下我们在今后用的到的文件的基本用途：
items.py
双击打开这个文件,看一下都初始化了什么东西
# -*- coding: urf-8 -*-
# Define here the models for your scrapyed items
#
# See documentation in
# http://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class TaoBaoItem(scrapy.Item):
# define the fields for your item here like:
#
# name = scrapy.Filed()
pass
通过里面的注释可见，这个文件的作用是定义我们要爬取信息的标准格式，打个比方说，如果我们要爬取一批人的个人信息，包括姓名，性别，生日，那么我们可以这样来书写这个文件
import scrapy
class TaoBaoItem(scrapy.Item):
name = scrapy.Filed()
sex = scrapy.Filed()
birthday = scrapy.Filed()
易见本文件只是定义了一个类，至于什么时候实例化它，怎么保存它，请继续了解下面的内容。
settings.py
如其名，这是本项目的配置文件，里面注释着很多常用的配置项，我们通过在其它文件中引入本文件的方式来使用这些配置项。
当然，我们可以把这些注释都删掉，等需要开启哪个功能的时候再另行编辑
我们此处先看看默认打开的配置项吧
BOT_NAME = 'taobao'
SPIDER_MODULES = ['taobao.spiders']
NEWSPIDER_MODULE = 'taobao.spider'
# Obey robots.txt rules
ROBORSTXT_OBEY = True
因为我们写的是定向爬虫，前面三个按默认即可，我们不去管他。看第四项，注释里说这个配置项的意思是遵守robots.txt，如果不遵守的话可以设置为False
pipelines.py
双击打开这个文件，看看都初始化了什么东西
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
class TaobaoPipeline(object):
def process_item(self, item, spider):
return item
注释提醒我们要启用Pipeline的话必须要在settings.py里配置一下ITEM_PIPELINES，配置好后，我们的setting.py如下：
# -*- coding: utf-8 -*-
BOT_NAME = 'taobao'
SPIDER_MODULES = ['taobao.spiders']
NEWSPIDER_MODULE = 'taobao.spider'
ROBORSTXT_OBEY = True
ITEM_PIPELINES = {
'taobao.pipelines.TaobaoPipeline': 300,
}
此处的300表示优先级，数字越小优先级越高，代表这个Pipeline会越优先被执行。因为本项目只用到这一个pipeline，所以随意取0-1000中的一个数值即可。
再回到pipelines.py这个文件，这个文件到底有什么用呢？
- 对爬取到的数据(Item)进行处理，比如存入数据库
- 爬虫结束时产生事件，比如发送一封邮件
此处只是介绍一下，具体的操作要看后续教程。
爬虫
以上为默认生成的项目结构，而爬虫文件我们需要自己写。
在默认生成的spiders目录下新建Taobao_spider.py,我们的爬虫就写在这里面。下面为一个简单的下载网页源代码的爬虫。
import scrapy
class TaobaoSpider(scrapy.Spider):
name = "taobao" # 爬虫的名字，执行时使用
start_urls = [
'https://s.taobao.com/search?q=%E8%BF%9E%E8%A1%A3%E8%A3%99&imgfile=&js=1&stats_click=search_radio_all%3A1'
'&initiative_id=staobaoz_20171101&ie=utf8'
]
def parse(self, response): # 真正的爬虫方法
html = response.body # response是获取到的来自网站的返回
# 以下四行将html存入文件
filename = "index.html"
file = open(filename, "w")
file.write(html)
file.close()
需要说明的是：这个类不是随心所欲来写的，name，allowed_domains，start_urls，都是类似于“重载”的值。也就是说，scrapy内部会检测这些变量的值，变量名不可以起成其它的名字，类似的变量之后还会有介绍。至于parse方法，就是重载的父类的方法，我们爬虫的主体一般就写在这里面
敲黑板
- 有能力的同学可以尝试去Scrapy框架官网查看英文文档，解锁更多关于Scrapy框架最新的使用和操作方法
- 老师上课说的大神必备：windows 命令行基本操作命令介绍
