文：郑元春
人生苦短，我用Python。
回顾：上一篇Scrapy爬虫之中，主要说明了原理和Scrapy的组件，并建立了一个最基本的爬虫工程。很多时候，我们并不是像搜索引擎一样需要对很多网页进行爬取，我们一般都是有特殊的爬取目的，通过关注自己感兴趣的数据点，进行数据的爬取，既然是自己“定制”的爬虫，那么对于网页上的非结构化的数据，我们需要存储到本地（或是文本文件，或是数据库表）。如果你后续的工作是对数据进行分析，并且数据有很好的结构信息（指的是不全是文本数据，或是长文本数据），那么就可以直接将数据存储到数据库。
页面数据的建模
网站是从数据库（数据模型）到html的正向显示，爬虫是从html到数据模型的逆向推导。
1.分析网页URL
我们写爬虫的第一步就是详细分析你的网页，尤其是动态网页，首先你需要分析的就是URL地址，现在好多的网站，尤其是基于产品购物的网站（比如淘宝，京东等）他的URL可能会带有好多的URL参数或者是是在动态变化的，因为URL首先会牵扯到重复爬取的问题，虽然Scrapy也有自己的URL去重算法，但还是自己掌握URL的规律吧，这样至少自己能够把握重复性问题了。
URL命名规则实例–图片来源：[webdesign.tutsplus.com](webdesign.tutsplus.com)
做过网网站的同学一定知道服务器软件都会有一个URL解析组件，而且根据你的页面展示内容，一般URL都会有自己的命名模式，相同类型的网页都会有同样的命名方式。你需要做的就是将你关注的网页的URL的命名方式自己提炼出来，这样当你写爬虫的时候就能够自己构造URL
2.分析数据获取方式
现在的一个页面大小动辄好几M，除了图片之外，还有大部分的数据是通过异步方式加载的，这些数据是通过浏览器执行javascript从服务器的API动态加载的，所以不管你是通过urllib还是通过scrapy访问的页面抓的数据都是最原始的静态数据，那些动态的数据并不会抓取。
有的爬虫是调用了其他的脚本执行库来实现渲染页面，但是那是需要时间的，对于需要爬大量页面的需求来说有点不切实际（同时，那部分的代码我还没有研究）。其实对于需要的动态数据我们可以直接构造Request来获取就行了，完全不必要渲染。但是这还牵扯到一个问题，那就是你必须自己分析数据的获取形式。这个就比较费时费力了，一个是你需要分析出页面中哪些是通过ajax加载的，哪些是原始html就load下的，这里比较推荐的就是Firefox浏览器了，除了能够“定位”元素位置，通过添加Firefox的其他组件（FireBug+xPath）就更加的得心应手了。
简书首页加载的Html
上图是打开简书首页的时候需要加载的部分文件，我这里只打开了[HTML]和[XHR]两个开关，所以JS文件和CSS文件并没有显示出来（显示出来也没有太大的用处）.可以看到首页只是加载了一个原始的html’文件。图中两个显示记录，第一个的返回status是301，那是因为我在地址栏中输入了“jianshu.com”，浏览器给重定向到了带有www的页面上。
所以在主页上面显示的所有的数据都是可以抓取的（除了图片外，因为html语言中图片是通过src的方式）。如果你向下滑到底部，点击加载更多的话看到页面并没有刷新就有了数据显示出来，这是通过ajax加载的数据。
加载按钮上的事件触发
可以看到加载更多这个按钮上有事件触发。数据是在这里面触发加载的。
Snip20160705_69.png
这里只是举个小例子说明页面上的数据是怎么来的，当然还有其他的加载方式。总之，好好利用FireFox的调试工具
3. 对想要的数据建模
4. Scrapy的数据模型–Item
下篇预告：
数据模型写好了，并且也能开始抓取数据了。那么接下来要做的就是将数据写入到数据库中或是文件中，是通过Pipeline实现的。
