首先，这是我第一次用scrapy在工作中，以前用过requests，但是那种小级别的东西，不适合网站级爬取，太慢了。

读到这句话的时候，我的代码已经写完了，项目已经完成了，现在对scrapy的使用做一个心得

scrapy：自动尝试错误，如果尝试3次还是失败则不管了，爬下一条。（不需要自己try,catch,congtinue）

             遇到404，直接不爬取。(不需要自己判断)

总之很方便

先说需求吧：

https://rpmfind.net/linux/RPM/Groups.html

爬这个网站里的每一条。

 点开一条

 再爬里面的每一条

点开右边的一条，在爬里面的一条 

 总之就是爬3次，啪啪啪。

先不要慌张，先想一下思路。

我想用队列+爬虫的形式

将A爬完的结果存放到A队列中，A队列有多个消费者，进行消费，对每一个队列进行爬取。并且组装在集合中。(这样就不会因为多线程重复爬取了）

以下为scrapy爬虫入门（大佬们，不用看，直接去看下一个水平线的内容-不过还是建议简单过一下，这样你会更加清楚我在干嘛）

之前先的scrapy入门写的不好，我等会把他删除了。现在重新写一下。

首先创建scrapy项目（觉得好傻*，还是自动生成的项目，还要用命令）

点击terminal，输入

scrapy startproject 项目名称

 于是，他创建了一个pachong的文件夹

 来小伙伴们，我们点开pachong这个文件夹，看看里面（这个傻*命令，创建了什么东西）

首先

卧槽，文件夹中夹文件，很明显，我们能看到一个有洞的文件夹，以及1个scrapy.cfg(这个肯定是配置文件，你只要有一点点英语常识就知道，如果你不知道，建议你去买一本牛津词典，900页，全部背会，滚瓜烂熟，包你看词如有神在旁边指导一样）。

我们暂时不需要对scrapy.cfg进行配置

我们打开pachong中的pachong文件夹。

发现里面有这么多py文件 ，这些.py里面都有内容。我们先不管，此时打开spiders文件夹

 在spiders文件夹中，创建你的爬虫。新建一个test1.py

用爬虫框架，就要遵守他的规则。编写下面的代码

import scrapy class test1(scrapy.Spider): #需要继承scrapy.Spider类 name = "test1_pachong" # 定义蜘蛛名

def start_requests(self): # 由此方法通过下面链接爬取页面 # 定义爬取的链接（数组） urls = [ 'http://lab.scrapyd.cn/page/1/', 'http://lab.scrapyd.cn/page/2/', ] for url in urls: yield scrapy.Request(url=url, callback=self.parse) #爬取到的页面如何处理？提交给parse方法处理（遍历交给parse方法去处理）

def parse(self, response): print('打印'+response.body)#打印结果

 上面的只是demo，现在开始往实战上引入。

启动项目会自动运行start_requests，他为入口。

这里其他代码都很基础，除了这个yield scrapy.Request(url=url,callback=self.parse)

yield是代表的回调，就是执行到这里异步去执行其他的

scrapy.Requets是scrapy框架的请求方法，callback中self后面代表的此py脚本里面的方法，叫做parse的，当请求后，就会默认将reponse的结果，传入到此方法并且执行。

我们就通过来回的，回调，执行完n次层级爬取与解析。

 目标站:https://rpmfind.net/linux/RPM/Groups.html

他是个html页面，并且没有json什么的，返回就是个html，我要获取所有的li中的内容，那就要用到文档解析的东西，xpath（他是最常使用的一种解析xml文档类型的小框架，当然也支持html解析，非常方便）

xpath基本操作参考:

https://www.cnblogs.com/lei0213/p/7506130.html

我现在想获取li中的a标签的全部href子连接、以及a标签中的内容

1.在py爬虫脚本 开头 导入xpath

from lxml import etree

2.在parse方法中

增加如下代码

html = etree.HTML(response.text) html_data_link = html.xpath('/html/body/ul/li/a/@href') # 获取href中的内容 html_data_content = html.xpath('/html/body/ul/li/a/text()') # 获取a标签中的内容

i = 0

for link in html_data_link: self.log('连接为' + link + '—内容为' + html_data_content[i]) # print('连接为'+link+'—内容为'+html_data_content[i]) i = i + 1

ok，我们来运行测试一下。在控制台输入（注意一定要在你之前用scrapy创建爬虫的目录下）

scrapy crawl 你代码中的name名称

往下翻，看看是否打印出来了

成功！！！

实例阶段

接下来爬取子连接，我们看到link是有问题的，他没有链接，是个不完整的人，所以我们给他补上

link='https://rpmfind.net/linux/RPM/'+link

接下来调用创建回调函数去请求连接（在回调之前打印，这样就知道我进入了一个地址，在爬取它的子连接）

print("我请求的网站是"+link) yield scrapy.Request(url=link, callback=self.parse1)

创建解析数据的方法parse1（并且打印） 

def parse1(self, response): print('——————-') html = etree.HTML(response.text) html_data_link = html.xpath('/html/body/table[2]/tbody/tr/td/a/@href') # 获取href中的内容

for url in html_data_link: link='https://rpmfind.net'+url print(link)

运行，发现，没有达到我想要的，区分哪个连接是谁爬的效果（后面查阅资料，原来scrapy为了追求效率，进行多线，异步爬取） 。

现在已经解析完这层了

在继续的调研中，我发现点击刚刚我们获取到的地址，就是红色部分，可能会出现404的情况，以及有效数据的情况。

 我们这里选取有效数据的内容进行保存，对于返回值产生404的结果进行过滤。

 我测试了404界面，担心404会让代码报错，但是scrapy这点很强大啊，404直接不会执行里面的任何代码。

后面解析比较复杂，咱不描述了。要具体按F12分析，可以拿xpath慢慢解析