说明：初学者，整理后方便能及时完善，冗余之处请多提建议，感谢！
了解内容：
Scrapy ：抓取数据的爬虫框架
异步与非阻塞的区别
异步：指的是整个过程，中间如果是非阻塞的，那就是异步过程；
非阻塞：关注拿到结果之前的状态 （如果拿到结果前在等待，是阻塞，反之，是非阻塞）
理解：
Scrapy 基本工作流程（简单--->复杂）
每个模块间不通讯，模块之间通过引擎进行数据传输
基本使用
一、创建spider
scrapy项目流程
---创建项目
---scrapy startproject xxxx
---创建爬虫
---cd 项目目录下
---scrapy genspider aaa allowed_domains"”
scrapy genspider first_spider jpdd.com
first_spider 爬虫名字
jpdd.com 限制爬取数据的范围
--完善spider
---提取数据，提取url地址构成request对象
xpath extract_first()\extract() response.meta yield scrapy.Requeest
--完善管道
--运行爬虫
--- cd 项目目录
---scrapy crawl first_spider
注意：避免爬虫名和项目名重复 ；
不管在终端还是pycharm 都要切换到当前目录下 cd myspider
allowed_domains : 限定爬取的范围
二、完善spider
---- 对数据的提取
1、 Scray 中的parse 做什么用途？
---处理start_urls 中的url地址的响应
2 、yiele 生成器的使用
好处：遍历函数的返回值的时候，挨个把数据读到内存，不会造成内存的瞬间占用过高
通过yield传递数据给管道，（类似转发）
yield能够传递的对象只能是：BaseItem, Request, dict, None
3 、使用.extract()把response.xpath()提取的数据转化为字符串列表
.extract() 返回一个含有字符串的列表，没有返回空列表
.extract_first() 提取列表中的第一个字符串，如果不存在，返回None
----例：
yield的使用：使用多个yield 来传递需要的数据
上面的代码应该改成：yield item
4、 根据Response返回的url地址，对next_url的url地址进行拼接，构造请求,有5种方式
第1种：手动字符串相加
第2种：urllib.parse.urljoin(baseurl,url) 后面的url会根据baseurl进行url地址的拼接
第3种：response.follow(url ,callback) 能够根据response的地址把url拼接完整，构造成Request对象，
但这个方法在python 1.0后的版本中才有
第4种(推荐)：response.urljoin(next_url) 更简洁、好用
第5种：scrapy.Request(url,callback,meta,dont_filter)
---例：
# 第一种：手动拼接下一页url
#主站链接 用来拼接
base_site = 'https://www.jpdd.com' def parse(self,response):
book_urls = response.xpath('//table[@class="p-list"]//a/@href').extract() for book_url in book_urls:
url = self.base_site + book_url
yield scrapy.Request(url, callback=self.getInfo) #获取下一页
next_page_url = self.base_site + response.xpath(
'//table[@class="p-name"]//a[contains(text(),"下一页")]/@href'
).extract()[0] yield scrapy.Request(next_page_url, callback=self.parse)
使用urllib实现url地址拼接的原理：
三、完善管道
管道的设置也是以键值的形式
数据保存：可以是具体的item，也可以保存在文件中，如下2种方式
第一种：
第二种：
------数字越小，表示离引擎越近，数据越先经过处理，反之 。
-------使用多个管道时，前面的管道中要记得return xx 不然后面的管道接收不到前面的数据，会返回none
四、item的使用
为什么要单独定义item？
定义item即提前规划好哪些字段需要抓取，scrapy.Field()仅仅是提前占坑，通过item.py能够让别人清楚自己的爬虫是在抓取什么数据；
同时来提示哪些字段是需要抓取的，没有定义的字段不能使用，防止手误；
item不能直接存入mongodb中，需要转化为字典后再存储。
Item使用之前需要先导入并且实例化，之后的使用方法和使用字典相同
from yanguan.items import YanguanItem
item = YanguanItem() #实例化
补充：
构造翻页请求
meta 自身是个字典
Scrapy.Request() ===>相当于构造了一个requests对象
scrapy.Request(url[,callback,method="GET",headers,body,cookies,meta,dont_filter=False])
参数说明：
括号中的参数为可选参数
callback：表示当前的url的响应交给哪个函数去处理
meta：实现数据在不同的解析函数中传递，meta默认带有部分数据，比如下载延迟，请求深度等
dont_filter:默认会过滤请求的url地址，即请求过的url地址不会继续被请求，对需要重复请求的url地址可以把它设置为Ture，比如贴吧的翻页请求，页面的数据总是在变化;start_urls中的地址会被反复请求，否则程序不会启动