首先。在教程（二）（http://blog.csdn.net/u012150179/article/details/32911511）中，研究的是爬取单个网页的方法。在教程（三）（http://blog.csdn.net/u012150179/article/details/34441655）中。讨论了Scrapy核心架构。如今在（二）的基础上，并结合在（三）中提到的爬取多网页的原理方法，进而进行自己主动多网页爬取方法研究。
而且，为了更好的理解Scrapy核心架构以及数据流，在这里仍採用scrapy.spider.Spider作为编写爬虫的基类。
首先创建project:
scrapy startproject CSDNBlog
一. items.py编写
在这里为清晰说明。仅仅提取文章名称和文章网址。
# -*- coding:utf-8 -*-
from scrapy.item import Item, Field
class CsdnblogItem(Item):
"""存储提取信息数据结构"""
article_name = Field()
article_url = Field()二. pipelines.py编写
import json
import codecs
class CsdnblogPipeline(object):
def __init__(self):
self.file = codecs.open('CSDNBlog_data.json', mode='wb', encoding='utf-8')
def process_item(self, item, spider):
line = json.dumps(dict(item)) + '
'
self.file.write(line.decode("unicode_escape"))
return item
当中，构造函数中以可写方式创建并打开存储文件。
在process_item中实现对item处理，包括将得到的item写入到json形式的输出文件里。
三. settings.py编写
对于setting文件，他作为配置文件，主要是至执行对spider的配置。一些easy被改变的配置參数能够放在spider类的编写中，而差点儿在爬虫执行过程中不改变的參数在settings.py中进行配置。
# -*- coding:utf-8 -*-
BOT_NAME = 'CSDNBlog'
SPIDER_MODULES = ['CSDNBlog.spiders']
NEWSPIDER_MODULE = 'CSDNBlog.spiders'
#禁止cookies,防止被ban
COOKIES_ENABLED = False
ITEM_PIPELINES = {
'CSDNBlog.pipelines.CsdnblogPipeline':300
}
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'CSDNBlog (+http://www.yourdomain.com)'
这里将COOKIES_ENABLED參数置为True。使依据cookies推断訪问的网站不能发现爬虫轨迹，防止被ban。
ITEM_PIPELINES类型为字典，用于设置启动的pipeline，当中key为定义的pipeline类，value为启动顺序。默认0-1000。
四. 爬虫编写
爬虫编写始终是重头戏。
原理是分析网页得到“下一篇”的链接，并返回Request对象。进而继续爬取下一篇文章，直至没有。
上码：
#!/usr/bin/python
# -*- coding:utf-8 -*-
# from scrapy.contrib.spiders import CrawlSpider,Rule
from scrapy.spider import Spider
from scrapy.http import Request
from scrapy.selector import Selector
from CSDNBlog.items import CsdnblogItem
class CSDNBlogSpider(Spider):
"""爬虫CSDNBlogSpider"""
name = "CSDNBlog"
#减慢爬取速度 为1s
download_delay = 1
allowed_domains = ["blog.csdn.net"]
start_urls = [
#第一篇文章地址
"http://blog.csdn.net/u012150179/article/details/11749017"
]
def parse(self, response):
sel = Selector(response)
#items = []
#获得文章url和标题
item = CsdnblogItem()
article_url = str(response.url)
article_name = sel.xpath('//div[@id="article_details"]/div/h1/span/a/text()').extract()
item['article_name'] = [n.encode('utf-8') for n in article_name]
item['article_url'] = article_url.encode('utf-8')
yield item
#获得下一篇文章的url
urls = sel.xpath('//li[@class="next_article"]/a/@href').extract()
for url in urls:
print url
url = "http://blog.csdn.net" + url
print url
yield Request(url, callback=self.parse)
慢慢分析：
（1）download_delay參数设置为1，将下载器下载下一个页面前的等待时间设置为1s，也是防止被ban的策略之中的一个。
主要是减轻server端负载。
（2）从response中抽取文章链接与文章题目，编码为utf-8。注意yield的使用。
（3）抽取“下一篇”的url，因为抽取后缺少http://blog.csdn.net部分，所以补充。两个print仅仅为调试。无实际意义。重点在于
yield Request(url, callback=self.parse)
也就是将新获取的request返回给引擎，实现继续循环。
也就实现了“自己主动下一网页的爬取”。
五. 运行
scrapy crawl CSDNBlog
部分存储数据截图：
原创，转载注明：http://blog.csdn.net/u012150179/article/details/34486677