0. 创建网络爬虫的常规方法
进入命令行（操作系统的命令行，不是 python 的命令行）
- windows：
cmd⇒c:UsesAdminstrator> - Linux：
$
- windows：
执行：
scrapy startproject myfirstproj会自动创建一些文件：
- __init__.py items.py
- pipelines.py settings.py spiders
1. settings.py
settings.py 是爬虫的主要配置文件，其中的几个配置项为：
USER_AGENT（用户代理，简称 UA），也即向 http 发请求时，表明自己的身份，这里为了演示的需要，我们将其（真实身份是爬虫）伪造成浏览器，改成：
USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36'ROBOTSTXT_OBEY表示是否遵守robots协议（被封禁的不抓取），因为我们的目的不纯，所以我们不遵守，改成
ROBOTSTXT_OBEY = FalseDOWNLOAD_DELAY 表示对同一个站点抓取延迟，也就是抓一个，歇一会，再抓一个，再歇一会，为了对对方站点冲(yi)击(bei)太(fa)大(xian)，我们调整为1，也就是一秒抓一个
CONCURRENT_REQUESTS_PER_DOMAIN 表示对同一个站点并发有多少个线程抓取，同样道理，我们也调整为 1
CONCURRENT_REQUESTS_PER_IP 同理也调整为 1
2. 爬虫程序的编写
接着我们进入 spiders 文件夹，创建第一个爬虫程序，如下：
import scrapy
class MySpider(scrapy.Spider):
name = 'zhang'
# 该项目名，启动时也用这个名字
allowed_domains= ['blog.csdn.net']
start_urls = [
'http://blog.csdn.net/lanchunhui'
]
# response.url ⇒ 'http://blog.csdn.net/lanchunhui'
def parse(self, response):
filename = response.url.split('/')[-2] + '.html'
with open(filename, 'wb') as f:
f.write(respobse.body)这里面 start_urls 是初始抓取时的种子链接（seed），parse 方法在抓取完成后自动调用，会把抓取回来的 body 内容写到以 .html 为结尾的文件中。
然后退到上一级目录执行：
> scrapy crawl zhang执行完成后会多出来一个 blog.csdn.net.html 文件，内容就是http://blog.csdn.net/lanchunhui 网页的内容
3. items.py
items.py 是抓取结果解析出来的结构体；
4. 页面解析
页面解析，这是所有的网络爬虫不能忽略的功能，而且是最核心的部分。python 库用于页面解析的有 BeautifulSoup（速度慢）和 Ixml（非标准库），Scrapy 基于 Ixml 实现了一套页面解析工具，叫做 Selectors。
其使用也十分简单，创建 TestSelectors.py 文件如下：
from scrapy.selector import Selector
from scrapy.http import HtmlResponse
body = '<html><body>hello<span>world</span></body></html>'
span_text = Selector(text=body).xpath('//span/text()').extract()
print(span_text)进入终端，执行：
> python TestSelectors.py
[u'world']注意：
如果想获取文本，调用 selector 的 xpath 方法后要调用 extract() 方法
如果想找到第一个匹配 xpath 的内容，需要调用 extract_first() 方法
5. 调试页面解析
scrapy 提供了极为简单的页面解析方法，直接执行
> scrapy shell www.baidu.com
...
In [1]: 进入调试终端，可以直接使用 request、response 等变量来做各种操作尝试.