1. 高考派大学数据—-写在前面
终于写到了 scrapy 爬虫框架了，这个框架可以说是python爬虫框架里面出镜率最高的一个了，我们接下来重点研究一下它的使用规则。
安装过程自己百度一下，就能找到3种以上的安装手法，哪一个都可以安装上
可以参考 https://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/install.html 官方说明进行安装。
注：想学习Python的小伙伴们
可以
进群：984632579
领取从0到1完整学习资料 视频 源码 精品书籍 一个月经典笔记和99道练习题及答案
2. 高考派大学数据—-创建scrapy项目
通用使用下面的命令，创建即可
scrapystartproject mySpider
完成之后，你的项目的目录结构为
每个文件对应的意思为
scrapy.cfg 项目的配置文件
mySpider/ 根目录
mySpider/items.py 项目的目标文件，规范数据格式，用来定义解析对象对应的属性或字段。
mySpider/pipelines.py 项目的管道文件，负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库）
mySpider/settings.py 项目的设置文件
mySpider/spiders/ 爬虫主目录
middlewares.py Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。本篇文章没有涉及
高考派大学数据—-创建Scrapy爬虫
通过命令行进入到 mySpider/spiders/ 目录，然后执行如下命令
scrapygenspider GaoKao”www.gaokaopai.com”
打开mySpider/spiders/ 目录里面的 GaoKao，默认增加了 下列代码
默认生成的代码，包含一个 GaoKaoSpider 的类，并且这个类是用 scrapy.Spider 继承来的
而且默认实现了三个属性和一个方法
name = “” 这个是爬虫的名字，必须唯一，在不同的爬虫需要定义不同的名字
allowed_domains = [] 域名范围，限制爬虫爬取当前域名下的网页
start_urls =[] 爬取的URL元组/列表。爬虫从这里开始爬取数据，第一次爬取的页面就是从这里开始，其他的URL将会从这些起始的URL爬取的结果中生成
parse(self,response) 解析网页的方法，每个初始URL完成下载后将调用，调用的时候传入每一个初始URL返回的Response对象作为唯一参数，主要作用 1、负责解析返回的网页数据，response.body 2、生成下一页的URL请求
高考派大学数据—-第一个案例
我们要爬取的是 高考派大学数据 数据为 http://www.gaokaopai.com/rank-index.html
页面下部有一个加载更多，点击抓取链接
尴尬的事情发生了，竟然是一个POST请求，本打算实现一个GET的，这回代码量有点大了~
scrapy 模式是GET请求的，如果我们需要修改成POST，那么需要重写Spider类的start_requests(self) 方法，并且不再调用start_urls里面的url了，所以，咱对代码进行一些修改。重写代码之后，注意下面这段代码
request = FormRequest(self.start_url,headers=self.headers,formdata=form_data,callback=self.parse)
FormRequest 需要引入模块 from scrapy import FormRequest
self.start_url 写上post请求的地址即可
formdata用来提交表单数据
callback调用网页解析参数
最后的 yield request 表示这个函数是一个生成器
我们在 def parse(self, response): 函数里面，输出一下网页内容，这个地方，需要用到1个知识点是
获取网页内容 response.body response.body_as_unicode()
response.url获取抓取的rul
response.body获取网页内容字节类型
response.body_as_unicode()获取网站内容字符串类型
我们接下来就可以运行一下爬虫程序了
在项目根目录创建一个 begin.py 文件，里面写入如下代码
from scrapyimportcmdlinecmdline.execute((“scrapy crawl GaoKao”).split())
运行该文件，记住在scrapy中的其他py文件中，运行是不会显示相应的结果的，每次测试的时候，都需要运行begin.py 当然，你可起一个其他的名字。
如果你不这么干的，那么你只能 采用下面的操作，就是比较麻烦。
cd到爬虫目录里执行scrapy crawl GaoKao–nolog命令说明：scrapy crawl GaoKao(GaoKao表示爬虫名称)–nolog(–nolog表示不显示日志)
运行起来，就在控制台打印数据了，测试方便，可以把上述代码中那个数字7，修改成2，有心人能看到我这个小文字
pycharm在运行过程中，会在控制台打印很多红色的字，没事，那不是BUG
一定要在红色的字中间找到黑色的字，黑色的字才是你打印出来的数据，如下，得到这样的内容，就成功一大半了。
但是这个地方有个小坑，就是，你会发现返回的数据不一致，这个我测试了一下，是因为第一页的数据返回的不是JSON格式的，而是普通的网页，那么我们需要针对性处理一下，这个先不用管，我们把 items.py 进行完善
然后在刚才的GaokaoSpider类中，继续完善parse函数，通过判断 response.headers[“Content-Type”] 去确定本页面是HTML格式，还是JSON格式。
parse() 方法的执行机制
使用yield返回数据，不要使用return。这样子parse就会被当做一个生成器。scarpy将parse生成的数据，逐一返回
如果返回值是request则加入爬取队列，如果是item类型，则交给pipeline出来，其他类型报错
到这里，如果想要数据准备的进入到 pipeline 中，你需要在 setting.py 中将配置开启
同时编写 pipeline.py 文件
好了，代码全部编写完毕，还是比较简单的吧，把上面的数字在修改成7，为啥是7，因为只能获取到前面150条数据
