爬虫最基本的部分是要将网页下载，而最重要的部分是过滤 -- 获取我们需要的信息。
而scrapy正好提供了这个功能：
首先我们要定义items：
Itemsare containers that will be loaded with the scraped data; they work like simple python dicts but provide additional protection against populating undeclared fields, to prevent typos.
摘自官网，大意就是说iteams是用来存储抓取的数据结构，提供相对与python字典类型额外的类型保护。（这个具体的保护方式待研究）
示例如下：
project/items.py
import scrapyclass DmozItem(scrapy.Item): title = scrapy.Field() link = scrapy.Field() desc = scrapy.Field()
然后我们需要编写Spider，抓取网页并选择信息，将其放入items之中。
示例如下：
import scrapyclass DmozSpider(scrapy.Spider): name = "dmoz" allowed_domains = ["dmoz.org"] start_urls = [ "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/", "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/" ] def parse(self, response): filename = response.url.split("/")[-2] with open(filename, 'wb') as f: f.write(response.body) 说明：
name Spider的名字，这个名字要在这个项目之中唯一，原因稍后就知道了。
allowed_domains,这个是域名设置，即是否抓取其他域名，一般摄制成要start_urls中地址的域名即可
- start_urls 这是一个列表，表示scrapy抓取网页的起始位置，以样例为例，如果你要抓取http://www.dmoz.org/Computers/Programming/Languages/Python/Books/中所有的图书，那start_urls就是上述网址。
- parse函数 个人认为类似于java中接口的概念，scrapy向网站发出request，然后调用DmozSpider中的parse函数对返回的response进行处理。
开始启动蜘蛛：
scrapy crawl dmoz
正常的化输出如下：
2014-01-23 18:13:07-0400 [scrapy] INFO: Scrapy started (bot: tutorial)2014-01-23 18:13:07-0400 [scrapy] INFO: Optional features available: ...2014-01-23 18:13:07-0400 [scrapy] INFO: Overridden settings: {}2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled extensions: ...2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled downloader middlewares: ...2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled spider middlewares: ...2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled item pipelines: ...2014-01-23 18:13:07-0400 [dmoz] INFO: Spider opened2014-01-23 18:13:08-0400 [dmoz] DEBUG: Crawled (200) 待续