本文中的知识点：
- 安装scrapy
- scrapy的基础教程
- scrapy使用代理
安装scrapy
由于小哥的系统是win7，所以以下的演示是基于windows系统。linux系统的话，其实命令都一样的，没啥差，windows与linux都可以用。
pip install scrapy安装好后，先看下scrapy是否安装上了，确认下，我的是Scrapy 1.8.0
scrapy version好了，安装很简单。用scrapy创建个新项目吧。命令行下输入，这里注意，命令会在当前目录下创建ts项目。
***
创建新项目
# 新建一个名为ts的scrapy的项目
scrapy startproject ts 我是在桌面下创建的ts目录，创建成功后给的提示截图如下。
分析目录文件
让我们去目录下看看都有些什么，有个scrapy.cfg配置文件，ts目录。
在进入ts目录，看下有些什么。嗯~~~ 主菜来了，这里就是我们要写的内容了。
- spiders目录——爬虫代码放这里
- items.py ——要抓取的字段
- middleware——中间件
- pipelines——管道文件
- settings——设置文件
先不用管这么细，我们先跑起来。
***
代码样例
抓个百度首页试试吧。
进入spiders目录里，创建个baidu的爬虫，并且限制抓取域名的范围。注意要在spiders的目录下输入以下命令
scrapy genspider baidu "baidu.com"
看到命令已经帮我们自动创建了爬虫代码，打开文件看下。
看下这里的代码，先导入scrapy，定义了一个BaiduSpider类，必须要继承scrapy.Spider。这里注意，里面有3个必须的属性(name，allowed_domains，start_urls)。
- name——爬虫的名字，运行爬虫的时候就看这个参数。
- allowed_domains——抓取的域名限制，这是我们刚才在命令行输入的。PS：抓百度，当然限制在百度内了，别抓到淘宝上去了，先不跨界
- start_urls——要抓取的url列表，类型list
- parse函数——抓取后的动作，可以自己定义
好的，既然都OK了，那我们去运行下，看看会发生什么。
命令行下输入，注意这里的baidu就是爬虫的name属性。
scrapy crawl baidu嘎嘎嘎，，，一大堆信息，看的是不是有点懵，说实话，我也是。这是正常信息，已经跑起来了。这些参数，大家随意看一看吧，我先不解释了。。。手动滑稽~~~哈哈哈，其实先不用看，一会我们在讲。
代码改造下，按照我们的预期来
还记得刚才的parse函数么，不过命令创建的是啥事都没干。自己定义下，让它做点事，也好知道代码是按照我们的预期去跑的。
# -*- coding: utf-8 -*-
import scrapy
class BaiduSpider(scrapy.Spider):
name = 'baidu'
allowed_domains = ['baidu.com']
start_urls = ['http://baidu.com/']
def parse(self, response):
# 打印下response返回的状态码
print(response.status)在来运行下，还记得刚才的运行命令吗？不记得了？。。。行，我在说一遍，
scrapy crawl baidu好的，让我们看看会给什么信息。嗯，，，有点问题，没有打印response的状态码，看下日志，这里说的是爬虫碰到了robots.txt，给Forbidden（禁止）了。MD，百度竟然不给我爬，百度自己的spider都在爬其他网站的，，，
这里得解释下为什么禁止了，这其实就是个爬虫的哲学问题了，盗亦有道的道理，相信大家都听说过，爬虫也是，爬亦有道。robots.txt也就是robots协议，这个文件会告诉爬虫，哪些能爬，哪些不能爬，爬虫要遵守这个规则。毕竟是别人的网站嘛，，，
本文以教学为主，旨在教大家使用scrapy框架，合理使用爬虫，遵守互联网规则是每一位互联网人的责任。
好的，问题该怎么解决？其实robots.txt也是可以解决的。这个时候settings.py就派上用场了。到我们之前的目录下，找到settings.py文件。
打开看下，注意到ROBOTSTXT_OBEY = True ，这个就是遵守robots协议。
改成False，不遵守robots协议 ~~~嘿嘿嘿，别笑，，，我只是教大家学scrapy框架而已
再来运行下。看到这里就已经打印出来了，返回200，成功抓取百度。
再来改造下
改造下parse函数，把抓取的数据保存到一个文件里。毕竟之前的定义的parse动作是打印各种信息，都在看日志，脑袋都大了，这次直接点，看文件好吧。
# -*- coding: utf-8 -*-
import scrapy
class BaiduSpider(scrapy.Spider):
name = 'baidu'
allowed_domains = ['baidu.com']
start_urls = ['http://baidu.com/']
def parse(self, response):
# 定义文件名 baidu.html
filename = 'baidu.html'
with open(filename, 'wb') as f:
f.write(response.body) #文件写入response的body信息好的，运行下试试。（PS：命令没忘吧，忘了的往上翻翻），这里注意我是在spiders目录下运行的，baidu.html文件也会保存在当前目录下。
看到了吧，文件出来了，直接双击打开看看，嗯，是百度首页。
使用代理
准备工作，找个可靠的代理IP，剩下的跟着我的步骤走。
修改中间件配置
这里就需要用到中间件了，找到文件middleware.py，打开看看文件。
这就是项目的中间件配置了。参数挺多，不过设置代理，我们只需要关注几个参数即可。
找到TsDownloaderMiddleware，这个类就是我们的项目下载器的中间件，我们的代理配置主要写在process_request函数里。
改成
def process_request(self, request, spider):
# Called for each request that goes through the downloader
# middleware.
# Must either:
# - return None: continue processing this request
# - or return a Response object
# - or return a Request object
# - or raise IgnoreRequest: process_exception() methods of
# installed downloader middleware will be called
# 代理IP由快代理赞助
proxy = '112.192.158.65:20823'
# 做了个处理,http与https
if request.url.startswith("http://"):
request.meta['proxy'] = "http://%s" % proxy
elif request.url.startswith("https://"):
request.meta['proxy'] = "https://%s" % proxy
return None修改后如图
settings.py文件也需要修改，需要修改两处：
1、header参数，记住爬虫要模拟用户的真实请求。找到USER_AGENT参数，改成自己浏览器的ua，不知道怎么找ua的同学可以看我前面的一篇教程（点击跳转）中有提到。
修改后
2、找到DOWNLOADER_MIDDLEWARES参数，Ctrl + f搜索，注释掉这个配置保存，启动配置
注释后，修改后
好的，在改下我们的爬虫代码，spiders目录下的baidu.py文件。因为我们用了代理，所以去访问下查IP的网站，看看是否用上代理了。
# -*- coding: utf-8 -*-
import scrapy
class BaiduSpider(scrapy.Spider):
name = 'baidu'
allowed_domains = ['baidu.com']
start_urls = ['https://www.baidu.com/s?ie=UTF-8&wd=ip']
def parse(self, response):
filename = 'baidu.html'
with open(filename, 'wb') as f:
f.write(response.body)
好的，现在在spiders目录下运行下，看看有没有文件出来。
有了，打开文件看下。对吧，这里查到的IP也是我们在代码样例中的IP。说明成功用上代理了。
scrapy使用代理总结下，需要修改及注意那些点。
- 修改中间件文件middleware.py，主要修改downloader中间件的process_request函数。
- 修改配置文件settings.py，设置自己的ua；启用DOWNLOADER_MIDDLEWARES配置；
嗯，主要注意这两个点。
其实还有一种设置代理的方法，我就先不写了，交给大家去研究吧。
进阶学习：
原文地址：https://www.cnblogs.com/kuaidaili/p/12202550.html