说明：
本文主要学习Scrapy框架入门，介绍如何使用Scrapy框架爬取页面信息。
项目案例：爬取腾讯招聘页面 https://hr.tencent.com/position.php?&start=
开发环境：win10、Python3.5、Scrapy1.5
一、安装
》pip install scrapy
//如果安装不成功，可以参考 https://blog.csdn.net/dapenghehe/article/details/51548079
//或下载安装twisted
二、创建项目（scrapy startproject）
1、在开始爬取之前，必须创建一个新的Scrapy项目。进入相应目录，运行下列命令（tencent为项目名称）：
》scrapy startproject tencentSpider
2、进入项目目录（tencentSpider）
项目目录结构如下：
scrapy.cfg：项目的配置文件。
tencentSpider/：项目的Python模块，将会从这里引用代码。
tencentSpider/spiders/：存储爬虫代码目录（爬虫文件主要在此编辑）。
tencentSpider/items.py：项目的目标文件。
tencentSpider/middlewares.py：项目中间件。
tencentSpider/pipelines.py：项目管道文件。
tencentSpider/setting：项目的设置文件。
到此，项目基本创建完成，接下来就是编写爬虫代码了。
三、明确目标（tencentSpider/items.py）
明确需要爬取的网址以及需要的信息，在 items.py 中定义需要爬取的信息字段。
本项目主要爬取：https://hr.tencent.com/position.php?&start= 网站里的职称、详情地址、类别、人数、地点和发布时间。
1、打开 tencentSpider 目录下的 items.py。
2、Item 定义结构化数据字段，用来保存爬取到的数据，类似于Python的字典，但是提供一些额外的的保护减少错误。
3、可以通过创建一个 scrapy.Item 类，并且定义类型为 scrapy.Field 的类属性来定义一个Item（可以理解成类似于ORM的映射关系）。
4、接下来，创建一个 TencentspiderItem 类，和构建item模型（model）。
items.py代码如下：
1 # -*- coding: utf-8 -*-
2
3 # Define here the models for your scraped items
4 #
5 # See documentation in:
6 # https://doc.scrapy.org/en/latest/topics/items.html
7
8 import scrapy
9
10
11 class TencentspiderItem(scrapy.Item):
12 # define the fields for your item here like:
13 # name = scrapy.Field()
14
15 # 职称
16 title = scrapy.Field()
17 # 详情地址
18 link = scrapy.Field()
19 # 类别
20 cate = scrapy.Field()
21 # 人数
22 num = scrapy.Field()
23 # 地点
24 address = scrapy.Field()
25 # 发布时间
26 date = scrapy.Field()
四、制作爬虫（spiders/tencentSpider.py）
1、爬取数据
① 在 与 scrapy.cfg 同级目录下执行如下命令，将会在 tencentSpider/spiders 目录下创建一个名为 tencent 的爬虫，并制定爬取的域范围（或手动创建文件，基本代码格式如下所示）：
》scrapy genspider tencent "hr.tencent.com"
② 打开 tencentSpider/spiders 目录下的 tencent.py ，默认的代码如下：
1 # -*- coding: utf-8 -*-
2 import scrapy
3
4
5 class TencentSpider(scrapy.Spider):
6 name = 'tencent'
7 allowed_domains = ['hr.tencent.com']
8 start_urls = ['http://hr.tencent.com/']
9
10 def parse(self, response):
11 pass
③ 编写爬虫文件，基本思路：构造分页url，解析内容（xpath），管道文件处理：
1 # -*- coding: utf-8 -*-
2 import scrapy
3 from tencentSpider.items import TencentspiderItem
4
5
6 class TencentSpider(scrapy.Spider):
7 # 爬虫的名字
8 name = 'tencent'
9 allowed_domains = ["hr.tencent.com"]
10
11 # 拼接 URL
12 url = "https://hr.tencent.com/position.php?&start="
13 offset = 0
14
15 # 首次爬取入口URL
16 start_urls = [url + str(offset)]
17
18 def parse(self, response):
19 info_ls = response.xpath('//tr[contains(@class, "odd")] | //tr[contains(@class, "even")]')
20
21 # 原始地址
22 origin_url = "https://hr.tencent.com/"
23
24 for each in info_ls:
25 # 初始化模型对象
26 item = TencentspiderItem()
27
28 # 职称
29 title = each.xpath("./td/a/text()")[0].extract()
30 # 详情地址
31 link = origin_url + each.xpath("./td/a/@href")[0].extract()
32 # 职位分类
33 cate = each.xpath('./td[2]/text()')[0].extract()
34 # 人数
35 num = each.xpath('./td[3]/text()')[0].extract()
36 # 所在地址
37 address = each.xpath('./td[4]/text()')[0].extract()
38 # 发布时间
39 date = each.xpath('./td[5]/text()')[0].extract()
40
41 item['title'] = title
42 item['link'] = link
43 item['cate'] = cate
44 item['num'] = num
45 item['address'] = address
46 item['date'] = date
47
48 # 交给管道 pipelines 处理
49 yield item
50
51 # 循环遍历分页,这里只爬取 100 条
52 if self.offset < 100:
53 self.offset += 10
54
55 # 每次处理完一页的数据之后， 重新发送下一页的页面请求
56 yield scrapy.Request(self.url + str(self.offset), callback=self.parse)
57 else:
58 print("[ALL_END:爬虫结束]")
④ 修改配置文件（settings.py），部分:
需要修改的主要有如下三处：
1 # 是否遵守 robot 协议，本项目为False
2 ROBOTSTXT_OBEY = False
3
4
5 # 请求头
6 DEFAULT_REQUEST_HEADERS = {
7 'User-Agent': 'Mozilla/5.0 (compatible; MSIE 9.0; Window NT 6.1; Trident/5.0;)',
8 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
9 # 'Accept-Language': 'en',
10 }
11
12 # 配置管道文件
13 ITEM_PIPELINES = {
14 'tencentSpider.pipelines.TencentspiderPipeline': 300,
15 }
⑤ 编写管道文件 pipelines.py：
这里的管道文件主要把数据以json格式保存在文件中：
1 # -*- coding: utf-8 -*-
2
3 # Define your item pipelines here
4 #
5 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
6 # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
7 import json
8
9 class TencentspiderPipeline(object):
10 def __init__(self):
11 self.save_path = open("res_info.json", "w", encoding="utf8")
12 self.save_path.write("[")
13
14 def process_item(self, item, spider):
15 # 处理每页的数据，并写入文件
16 json_text = json.dumps(dict(item), ensure_ascii=False) + ", \n"
17 self.save_path.write(json_text)
18
19 return item
20
21 def close_spider(self, spider):
22 self.save_path.write("{}]")
23 self.save_path.close()
⑥ 运行爬虫：
》scrapy crawl tencent
⑦ 查看结果，打开数据文件 res_info.json：